1

ALGORITMOS GENE

TICOS
1 Introduccio
n
Los Algoritmos Geneticos (AGs) son metodos adatati!os "ue ueden usarse ara resol!er
ro#le$ mas de #us"ueda % otimi&acion' Estan #asados en el roceso genetico de los organismos
!i!os' A lo largo de las generaciones( las o#laciones e!olucionan en la naturale&a de acorde con
los rinci$ ios de la seleccion natural % la suer!i!encia de los mas )uertes( ostulados or
*ar+in (1,-.)' /or imitacion de este roceso( los Algoritmos Geneticos son caaces de ir creando
soluciones ara ro#lemas del mundo real' La e!olucion de dic0as soluciones 0acia !alores o
timos del ro#lema deende en #uena medida de una adecuada codi)icacion de las mismas'
Los rinciios #asicos de los Algoritmos Geneticos )ueron esta#lecidos or 1olland (1.2-)( %
se encuentran #ien descritos en !arios te3tos 4 Gold#erg (1.,.)( *a!is (1..1)( Mic0ale+ic&
(1..5)( Ree!es (1..6) 4 '
En la naturale&a los indi!iduos de una o#lacion comiten entre s7 en la #us"ueda de recursos
tales como comida( agua % re)ugio' Incluso los miem#ros de una misma esecie comiten a
menudo en la #us"ueda de un coman8ero' A"uellos indi!iduos "ue tienen mas e3ito en
so#re!i!ir % en atraer coman8eros tienen ma%or ro#a#ilidad de generar un gran numero de
descendientes' /or el con$ trario indi!iduos oco dotados roduciran un menor numero de
descendientes' Esto signi)ica "ue los genes de los indi!iduos me9or adatados se roagaran en
sucesi!as generaciones 0acia un numero de indi!iduos creciente' La com#inacion de #uenas
caracter7sticas ro!enientes de di)erentes ancestros( uede a !eces roducir descendientes
:suerindi!iduos;( cu%a adatacion es muc0o ma%or "ue la de cual"uiera de sus ancestros' *e esta
manera( las esecies e!olucionan logrando unas caracter7sticas cada !e& me9or adatadas al
entorno en el "ue !i!en'
Los Algoritmos Geneticos usan una analog7a directa con el comortamiento natural' Tra#a9an
con una o#lacion de indi!iduos( cada uno de los cuales reresenta una solucion )acti#le a un
ro#lema dado' A cada indi!iduo se le asigna un !alor o untuacion( relacionado con la
#ondad de dic0a solucion' En la naturale&a esto e"ui!aldr7a al grado de e)ecti!idad de un
organismo ara come$ tir or unos determinados recursos' Cuanto ma%or sea la adatacion de un
indi!iduo al ro#lema(
ma%or ser la ro#a#ilidad de "ue el mismo sea seleccionado ara reroducirse( cru&ando su material
genetico con otro indi!iduo seleccionado de igual )orma' Este cruce
roducir
nue!os indi!iduos 4
descendientes de los anteriores 4 los cuales comarten algunas de las caracter7sticas de sus adres'
Cuanto menor sea la adatacion de un indi!iduo( menor ser la ro#a#ilidad de "ue dic0o indi!iduo
sea seleccionado ara la reroduccion( % or tanto de "ue su material genetico se roague en suce$
si!as generaciones'
*e esta manera se roduce una nue!a o#lacion de osi#les soluciones( la cual reemla&a a la anterior
% !eri)ica la interesante roiedad de "ue contiene una ma%or roorcion de #uenas caracter7sticas
en comaracion con la o#lacion anterior' As7 a lo largo de las generaciones las #uenas caracter
7sticas se roagan a tra!es de la o#lacion' <a!oreciendo el cruce de los indi!iduos me9or
adatados( !an siendo e3loradas las areas mas rometedoras del esacio de #us"ueda' Si el
Algoritmo Genetico
0a sido #ien disen8ado( la o#lacion
con!erger
0acia una solucion otima del ro#lema'
El oder de los Algoritmos Geneticos ro!iene del 0ec0o de "ue se trata de una tecnica
ro#usta( % ueden tratar con e3ito una gran !ariedad de ro#lemas ro!enientes de di)erentes
areas( in$ clu%endo a"uellos en los "ue otros metodos encuentran di)icultades' Si #ien no se
garanti&a "ue el Algoritmo Genetico encuentre la solucion otima del ro#lema( e3iste e!idencia
em7rica de "ue se encuentran soluciones de un ni!el aceta#le( en un tiemo cometiti!o con el
resto de algoritmos de otimi&acion com#inatoria' En el caso de "ue e3istan tecnicas
eseciali&adas ara resol!er un determinado ro#lema( lo mas ro#a#le es "ue sueren al
Algoritmo Genetico( tanto en raide& como en e)icacia' El gran camo de alicacion de los
2
Algoritmos Geneticos se relaciona con a"ue$ llos ro#lemas ara los cuales no e3isten tecnicas
eseciali&adas' Incluso en el caso en "ue dic0as tecnicas e3istan( % )uncionen #ien( ueden
e)ectuarse me9oras de las mismas 0i#ridandolas con los Algoritmos Geneticos'
La estructura de este ca7tulo es como sigue= en la siguiente seccion se introduce or medio
de
un e9emlo el denominado Algoritmo Genetico Simle( tam#ien conocido como Algoritmo Gen
etico Canonico( ara a continuacion( mostrar distintas e3tensiones % modi)icaciones del mismo(
relati!as a los oeradores de seleccion( cruce( mutacion % reduccion( as7 como a la 0i#ridacion del
Algoritmo Genetico con otros algoritmos de #us"ueda local( % a di!ersos modelos de Algoritmos
Geneticos *is$ tri#uidos' En la siguiente seccion nos reguntamos el moti!o or el cual )uncionan
los Algoritmos Geneticos( demostrandose el teorema de los es"uemas( % re)erenciandose algunos
tra#a9os teoricos relacionados con las condiciones su)icientes ara garanti&ar la con!ergencia de
dic0os algoritmos 0a$ cia el otimo glo#al' <inali&amos el ca7tulo( mostrando oeradores de
cruce % mutacion esec7)icos ara el ro#lema del agente !ia9ero '
5 El Algoritmo Genetico
Simle
>EGIN ?@ Algoritmo Genetico Simle @?
Generar una o#lacion inicial'
Comutar la )uncion de e!aluacion de cada indi!iduo'
A1ILE NOT Terminado *O
>EGIN ?@ /roducir nue!a generacion @?
<OR Taman8o o#lacion?5 *O
>EGIN ?@Ciclo Reroducti!o @?
Seleccion a r dos indi!iduos de la anterior generacion(
ara el cruce (ro#a#ilidad de seleccion roorcional
a la )uncion de e!aluacion del indi!iduo)'
Cru& a r con cierta ro#a#ilidad los dos
indi!iduos o#teniendo dos descendientes'
Mut a r los dos descendientes con cierta ro#a#ilidad'
Comut a r la )uncion de e!aluacion de los dos
descendientes mutados'
Insert a r los dos descendientes mutados en la nue!a generacion'
EN*
I< la o#lacion 0a con!ergido T1EN
Terminado =B TRCE
EN*
EN*
<igura D'1= /seudocodigo del Algoritmo Genetico Simle
El Algoritmo Genetico Simle( tam#ien denominado Canonico( se reresenta en la )igura
D'1'
Como se !er a continuacion( se necesita una codi)icacion o reresentacion del ro#lema( "ue resulte
adecuada al mismo' Ademas se re"uiere una )uncion de a9uste o adatacion al ro#lema( la
cual asigna un numero real a cada osi#le solucion codi)icada' *urante la e9ecucion del
algoritmo( los adres de#en ser seleccionados ara la reroduccion( a continuacion dic0os adres
seleccionados se
cru&aran generando dos 0i9os( so#re cada uno de los cuales actuar un oerador de mutacion' El
resultado de la com#inacion de las anteriores )unciones ser un con9unto de indi!iduos (osi#les
soluciones al ro#lema)( los cuales en la e!olucion del Algoritmo Genetico )ormaran arte de la
siguiente o#lacion'
5'1 Codi)icacion
Se suone "ue los indi!iduos (osi#les soluciones del ro#lema)( ueden reresentarse como un con$
9unto de arametros ("ue denominaremos genes)( los cuales agruados )orman una ristra de !alores
(a menudo re)erida como cromosoma)' Si #ien el al)a#eto utili&ado ara reresentar los indi!iduos
no de#e necesariamente estar constituido or el {E( 1}( #uena arte de la teor7a en la "ue se )unda$
mentan los Algoritmos Geneticos utili&a dic0o
al)a#eto'
En terminos #iologicos( el con9unto de arametros reresentando un cromosoma articular se
de$ nomina )enotio' El )enotio contiene la in)ormacion re"uerida ara construir un organismo( el
cual se re)iere como genotio' Los mismos terminos se utili&an en el camo de los Algoritmos Gen
eticos' La adatacion al ro#lema de un indi!iduo deende de la e!aluacion del genotio' Esta
ultima uede in)erirse a artir del )enotio( es decir uede ser comutada a artir del cromosoma(
usando la )uncion de e!aluacion'
La )uncion de adatacion de#e ser disen8ada ara cada ro#lema de manera esec7)ica' *ado
un cromosoma articular( la )uncion de adatacion le asigna un numero real( "ue se suone
re)le9a el ni!el de adatacion al ro#lema del indi!iduo reresentado or el cromosoma'
*urante la )ase reroducti!a se seleccionan los indi!iduos de la o#lacion ara cru&arse % roducir
descendientes( "ue constituiran( una !e& mutados( la siguiente generacion de indi!iduos' La se$
leccion de adres se e)ectua al a&ar usando un rocedimiento "ue )a!ore&ca a los indi!iduos
me9or adatados( %a "ue a cada indi!iduo se le asigna una ro#a#ilidad de ser seleccionado "ue es
roor$
cional a su )uncion de adatacion' Este rocedimiento se dice "ue est #asado en la ruleta sesgada'
Segun dic0o es"uema( los indi!iduos #ien adatados se escogeran ro#a#lemente !arias !eces
or generacion( mientras "ue los o#remente adatados al ro#lema( no se escogeran mas "ue de
!e& en cuando'
Cna !e& seleccionados dos adres( sus cromosomas se com#inan( utili&ando 0a#itualmente los oe$
radores de cruce % mutacion' Las )ormas #asicas de dic0os oeradores se descri#en a continuacion'
El oerador de cruce( coge dos adres seleccionados % corta sus ristras de cromosomas en una osicion
escogida al a&ar( ara roducir dos su#ristras iniciales % dos su#ristras )inales' *esues se
inter$ cam#ian las su#ristras )inales( roduciendose dos nue!os cromosomas comletos (!ease
la <igura
5'5)' Am#os descendientes 0eredan genes de cada uno de los adres' Este oerador se conoce como
oerador de cruce #asado en un unto' 1a#itualmente el oerador de cruce no se alica a todos
Punto de cruce Punto de cruce
Padres
Descendientes
1 0 1 0
1 0 1 0
0 0 1 1 1 0
0 1 0 0 1 0
0 0 1 1 0 1 0 0 1 0
0 0 1 1 0 0 1 1 1 0
<igura D'5= Oerador de cruce #asado en un unto
los ares de indi!iduos "ue 0an sido seleccionados ara emare9arse( sino "ue se alica de manera
aleatoria( normalmente con una ro#a#ilidad comrendida entre E'- % 1'E' En el caso en "ue el
oerador de cruce no se ali"ue( la descendencia se o#tiene simlemente dulicando los adres'
El oerador de mutacion se alica a cada 0i9o de manera indi!idual( % consiste en la alteracion
aleatoria (normalmente con ro#a#ilidad e"uen8a) de cada gen comonente del cromosoma' La
<igura D'6 muestra la mutacion del "uinto gen del cromosoma' Si #ien uede en rinciio ensarse
gen mutado
Descendiente
1 0 1 0 0 1 0 0 1 0
Descendiente mutado 1 0 1 0
1 1 0 0 1 0
<igura D'6= Oerador de mutacion
"ue el oerador de cruce es mas imortante "ue el oerador de mutacion( %a "ue roorciona una
e3loracion raida del esacio de #us"ueda( este ultimo asegura "ue ningun unto del esacio
de #us"ueda tenga ro#a#ilidad cero de ser e3aminado( % es de caital imortancia ara asegurar
la con!ergencia de los Algoritmos Geneticos'
/ara criterios racticos( es mu% util la de)inicion de con!ergencia introducida en este camo or
*e
Fong (1.2-) en su tesis doctoral' Si el Algoritmo Genetico 0a sido correctamente
imlementado(
/o#lacion
inicial
()enotios)
3 !alor
genotio
) (3) !alor
()uncion
adatacion)
) (3)?
/
)
(3)
(ro#a#ilidad
/ro#a#ilidad
de seleccion
acumulada
1 E11E1 16 1D. E'1G E'1G
5 11EEE 5G -2D E'G. E'D6
6 E1EEE , DG E'ED E'D.
G 1EE11 1. 6D1 E'61 1'EE
Suma 112E
Media 5.6
Me9or -2D
Ta#la D'1= /o#lacion inicial de la simulacion e)ectuada a mano corresondiente al Algoritmo Genetico Simle
la o#lacion e!olucionar
a lo largo de las generaciones sucesi!as de tal manera "ue la adatacion
media e3tendida a todos los indi!iduos de la o#lacion( as7 como la adatacion del me9or indi!iduo
se iran incrementando 0acia el otimo glo#al' El conceto de con!ergencia
est
relacionado con la
rogresion 0acia la uni)ormidad= un gen 0a con!ergido cuando al menos el .- H de los indi!iduos
de la o#lacion comarten el mismo !alor ara dic0o gen' Se dice "ue la o#lacion con!erge cuando
todos los genes 0an con!ergido' Se uede generali&ar dic0a de)inicion al caso en "ue al menos un
IH de los indi!iduos de la o#lacion 0a%an con!ergido'
La <igura 5'G muestra como !ar7a la adatacion media % la me9or adatacion en un
Algoritmo
Adaptacin Mejor
Media
Generaciones
E 5E
GE DE ,E 1EE
<igura D'G= Adatacion media % me9or adatacion en un Algoritmo Genetico
Simle
Genetico Simle t7ico' A medida "ue el numero de generaciones aumenta( es mas ro#a#le "ue
la adatacion media se aro3ime a la del me9or indi!iduo'
5'5 E9emlo
Como ilustracion de los di)erentes comonentes del Algoritmo Genetico Simle( suongamos el
ro#lema 4 adatado de Gold#erg (1.,.) 4 de encontrar el ma3imo de la )uncion ) (3) B 3
5
so#re
los enteros {1( 5( ' ' ' ( 65}' E!identemente ara lograr dic0o otimo( #astar7a actuar or #u
s"ueda
e30austi!a( dada la #a9a cardinalidad del esacio de #us"ueda' Se trata or tanto de un
mero
e9emlo con el "ue retendemos ilustrar el comortamiento del algoritmo anteriormente descrito'
Consultando el seudocodigo de la <igura D'1( !emos "ue el rimer aso a e)ectuar consiste en
determinar el taman8o de la o#lacion inicial( ara a continuacion o#tener dic0a o#lacion al a&ar
% comutar la )uncion de e!aluacion de cada uno de sus indi!iduos'
Suoniendo "ue el al)a#eto utili&ado ara codi)icar los indi!iduos este constituido or {E( 1}( nece$
sitaremos ristras de longitud - ara reresentar los 65 untos del esacio de #us"ueda'
En la Ta#la D'1( 0emos reresentado los G indi!iduos "ue constitu%en la o#lacion inicial( 9unto con
su )uncion de adatacion al ro#lema( as7 como la ro#a#ilidad de "ue cada uno de dic0os
indi!iduos sea seleccionado 4 segun el modelo de ruleta sesgada 4 ara emare9arse'
Jol!iendo a consultar el seudocodigo e3resado en la <igura D'1( !emos "ue el siguiente aso con$
siste en la seleccion de 5 are9as de indi!iduos' /ara ello es su)iciente( con o#tener G numeros reales
ro!enientes de una distri#ucion de ro#a#ilidad uni)orme en el inter!alo KE( 1L( % comararlos con
la ultima columna de la Ta#la D'1' As7 or e9emlo( suongamos "ue dic0os G numeros 0a%an
sido=
Emare9amiento
de los indi!iduos seleccionados
/unto
de
cruce
*escen$
dientes
Nue!a o#lacion
descendientes
mutados
3
!alor
genotio
) (3)
)uncion
adatacion
11EEE 5 11E11 11E11 52 25.
1EE11 5 1EEEE 1EEEE 1D 5-D
E11E1 6 E11EE 111EE 5, 2,G
11EEE 6 111E1 111E1 5. ,G1
Suma 5D1E
Media D-5'-
Me9or ,G1
Ta#la D'5= /o#lacion en el tiemo 1( ro!eniente de e)ectuar los oeradores de cruce % mutacion so#re los
indi!iduos e3resados en la Ta#la D'1( los cuales constitu%en la o#lacion en el tiemo E
E'-,M E',GM E'11 % E'G6' Esto signi)ica "ue los indi!iduos seleccionados ara el cruce 0an sido= el
indi!iduo 5 9unto con el indi!iduo G( as7 como el indi!iduo 1 9unto con el indi!iduo 5'
/ara seguir con el Algoritmo Genetico Simle( necesitamos determinar la ro#a#ilidad de cruce(
c
' Suongamos "ue se )i9e en
c
B E',' Jaliendonos al igual "ue antes de( 5 en este caso( nu
meros ro!enientes de la distri#ucion uni)orme( determinaremos si los emare9amientos anteriores
se lle!an a ca#o' Admitamos( or e9emlo( "ue los dos numeros e3tra7dos sean menores "ue E',(
decidiendose or tanto e)ectuar el cruce entre las dos are9as' /ara ello escogeremos un nu
mero al a&ar entre
1 % l 1 (siendo l la longitud de la ristra utili&ada ara reresentar el indi!iduo)' Notese "ue
la restriccion imuesta al escoger el numero entre 1 % l 1( % no l( se reali&a con la )inalidad de
"ue
los descendientes no coincidan con los adres'
Suongamos( tal % como se indica en la Ta#la D'5( "ue los untos de cruce resulten ser 5 % 6' *e
esta manera o#tendr7amos los G descendientes descritos en la tercera columna de la Ta#la D'5' A
continuacion siguiendo el seudocodigo de la <igura D'1( mutar7amos con una ro#a#ilidad(

m
( cercana a cero( cada uno de los #it de las cuatro ristras de indi!iduos' En este caso suonemos
"ue el unico #it mutado corresonde al rimer gen del tercer indi!iduo' En las dos ultimas
columnas se ueden consultar los !alores de los indi!iduos( as7 como las )unciones de adatacion
corresondi$ entes' Como uede o#ser!arse( tanto el me9or indi!iduo como la )uncion de adatacion
media 0an me9orado sustancialmente al comararlos con los resultados de la Ta#la D'1'
6 E3tensiones % Modi)icaciones del AGS
En este aartado se introduciran algunas e3tensiones % modi)icaciones del Algoritmo Genetico
Sim$
le' Se comen&ar dando un seudocodigo ara un Algoritmo Genetico A#stracto( ara a contin$
>EGIN AGA
O#tener la o#lacion inicial al a&ar'
A1ILE NOT sto *O
>EGIN
Seleccion a r adres de la o#lacion'
/r o ducir 0i9os a artir de los adres seleccionados'
Mut a r los indi!iduos 0i9os'
E3tender la o#lacion an8adiendo los
0i9os' Reducir la o#lacion e3tendida'
EN*
EN* AGA
<igura D'-= /seudocodigo del Algoritmo Genetico
A#stracto
uacion )ormali&ar matematicamente cada uno de los elementos integrantes del Algoritmo( as7
como las e3tensiones % modi)icaciones "ue se !a%an resentando'
Cna !ersion del Algoritmo Genetico A#stracto (AGA)( uede ser como el de la <igura D'-' Na
"ue el rincial dominio de alicacion de los Algoritmos Geneticos lo constitu%e la otimi&acion
de )unciones( se introducen algunos concetos #asicos "ue se usaran a lo largo de este Ca7tulo'
*ado un dominio )inito * % una )uncion ) = * <( el ro#lema de la otimi&acion de la )uncion )
se re)iere a encontrar el me9or !alor de la )uncion ) en el dominio *' Se trata or tanto de encontrar
3 * ara el cual ) (3) ) (%) % *'
Na "ue ma3{) (3)} B min{) (3)} la restriccion al ro#lema de minimi&acion no suone ninguna
erdida de generali&acion' En general( la tarea de otimi&acion se comlica de#ido a la e3istencia
de otimos locales (m7nimos locales en nuestro caso)'
La )uncion ) tiene un m7nimo local en 3O * si se !eri)ica la siguiente condicion=
E(3)( entorno de 3( tal "ue si % E(3)( ) (3) ) (%)'
*iremos "ue e = * S
l
donde l log
kSk
k*k constitu%e una codi)icacion( siendo la )inalidad de
la misma el reresentar los elementos de * or medio de ristras de elementos de S' A S se le
denomina al)a#eto( mientras "ue S
l
constitu%e el esacio de #us"ueda' A la )uncion ) (3) B
g(e(3)) se le denomina )uncion o#9eti!o' Es necesario "ue la )uncion e sea in%ecti!a( ara "ue los
elementos de * sean discerni#les'
El AGA e3aminar
un su#con9unto del esacio de #us"ueda( o#teniendo una ristra 3

( cu%a
)uncion
o#9eti!o g(3

) uede considerarse un estimador del min

3S
l g(3)'
A#usando del lengua9e de notacion( designaremos or I a los elementos de S
l
'
En lo "ue sigue se considerar
un AGA como una 1E4tula=
donde=
AGA B (/
E
( P( l( )
sel
( )
rod
( )
mut
( )
e3t
( )
red
( g( ct)(
/
E
B {I
1
( ' ' ' ( I
P
} (S
l
)
P
E E
P
l
)
sel
)
rod
)
mut
)
e3t
)
red
g
ct
o#lacion inicial(
taman8o
o#lacion(
longitud de la reresentacion(
)uncion de seleccion(
)uncion de roduccion de 0i9os(
)uncion de mutacion(
)uncion de e3tension(
)uncion de reduccion(
)uncion o#9eti!o(
criterio de arada'
En rinciio restringiremos nuestro AGA( imoniendole la condicion de "ue todas las
o#laciones tengan el mismo taman8o' O#!iamente una generali&acion ser7a el considerar "ue el
taman8o deende
de la generacion( es decir P
t
B| /
t
|' *enotaremos or P
P
el con9unto de o#laciones de taman8o P(
a las "ue denominaremos o#laciones #ien dimensionadas'
La )uncion de seleccion glo#al( )
sel
( selecciona al a&ar % con reemla&amiento una coleccion de
indi!iduos % P
P
a artir de una o#lacion 3 P
P
=
)
sel
= (Q( 3) %(
donde Q es un !ector de dimension P constitu7do or !alores escogidos aleatoriamente'
La )uncion de reroduccion glo#al( )
rod
( roduce una o#lacion de descendientes & P
P
a artir
de indi!iduos seleccionados % P
P
or medio de un oerador de cruce=
)
rod
= (I( %) &(
donde I es un !ector de dimension P?5 de !alores escogidos al a&ar entre los enteros {1( '''''( l 1}
La )uncion de reroduccion se dice "ue est
#asada en un unto si los adres I
i
B (s
1
( '''''( s
l
) %
I
9
B (#
1
( '''''( #
l
) roducen 0i9os C 1
i(9M1
B (c
1
( '''''( c
l
) % C 1
i(9M5
B (d
1
( '''''( d
l
) !eri)icandose =

s
9
si 9 m
c
9
B
# si 9 R m
(1)
9

#
9
si 9 m
d
9
B
s si 9 R m
(5)
donde m es un numero entero escogido al a&ar segun una distri#ucion uni)orme discreta
de)inida so#re el con9unto {1( '''''( l 1}'
La )uncion de mutacion indi!idual )
indmut
( alicada a I B (s
1
( ' ' ' ( s
l
)( genera otro indi!iduo
M I B (sm
1
( ' ' ' ( sm
l
)( es decir )
indmut
(I ) B M I ( tal "ue 9 {1( ' ' ' ( l}( / (sm
9
B s
9
) B 1
m
(
donde
m
es la ro#a#ilidad de mutacion'
La )uncion de e3tension( )
e3t
( crea a artir de dos o#laciones 3( & P
P
( una o#lacion n P
5P
=
)
e3t
= (3( &) n
*enotando or N
i
con i B 1( ''( 5P el i$esimo indi!iduo en n( or S
T
( con T B 1( '''( P el T$
esimo indi!iduo en 3( % or U
9
con 9 B 1( '''( P el 9$esimo indi!iduo en &( se tendra=

S
i
si i P
N
i
B
U
iP
si i R P
(6)
La )uncion de reduccion glo#al( )
red
( con!ierte una o#lacion n P
5P
en una o#lacion r P
P
)
red
= n r'
Notese "ue r denota la o#lacion de indi!iduos en el tiemo t V 1'
La )uncion de reduccion es elitista de grado P si la o#lacion en el tiemo t V 1
est
constituida or
los me9ores P indi!iduos( de entre los P indi!iduos "ue constitu%en la o#lacion en el tiemo t % los
descendientes deri!ados de ellos'
La )uncion de reduccion se denomina simle si la o#lacion en el tiemo t V 1
est descendientes deri!ados de la o#lacion en el tiemo t'
)ormada or los
6'1 /o#lacion
6'1'1 Taman8o de la
o#lacion
Cna cuestion "ue uno uede lantearse es la relacionada con el taman8o idoneo de la
o#lacion' /arece intuiti!o "ue las o#laciones e"uen8as corren el riesgo de no cu#rir
adecuadamente el esa$ cio de #us"ueda( mientras "ue el tra#a9ar con o#laciones de gran taman8o
uede acarrear ro#lemas relacionados con el e3cesi!o costo comutacional'
Gold#erg (1.,.) e)ectu
un estudio teorico( o#teniendo como conclusion "ue el taman8o otimo de
la
o#lacion ara ristras de longitud l( con codi)icacion #inaria( crece e3onencialmente con el
taman8o de la ristra'
Este resultado traer7a como consecuencia "ue la alica#ilidad de los Algoritmos Geneticos en
ro#le$ mas reales ser7a mu% limitada( %a "ue resultar7an no cometiti!os con otros metodos de
otimi&acion com#inatoria' Alander (1..5)( #asandose en e!idencia em7rica sugiere "ue un
taman8o de o#lacion comrendida entre l % 5l es su)iciente ara atacar con e3ito los ro#lemas
or el considerados'
6'1'5 /o#lacion inicial
1a#itualmente la o#lacion inicial se escoge generando ristras al a&ar( udiendo contener cada gen
uno de los osi#les !alores del al)a#eto con ro#a#ilidad uni)orme' Nos odr7amos reguntar
"ue es lo "ue suceder7a si los indi!iduos de la o#lacion inicial se o#tu!iesen como resultado de
alguna tecnica 0eur7stica o de otimi&acion local' En los ocos tra#a9os "ue e3isten so#re este
asecto( se constata "ue esta iniciali&acion no aleatoria de la o#lacion inicial( uede acelerar la
con!ergencia del Algoritmo Genetico' Sin em#argo en algunos casos la des!enta9a resulta ser
la rematura con!ergencia del algoritmo( "ueriendo indicar con esto la con!ergencia 0acia o
timos locales'
9
6'5 <uncion o#9eti!o
*os asectos "ue resultan cruciales en el comortamiento de los Algoritmos Geneticos son la de$
terminacion de una adecuada )uncion de adatacion o )uncion o#9eti!o( as7 como la codi)icacion
utili&ada'
Idealmente nos interesar7a construir )unciones o#9eti!o con :ciertas regularidades;( es decir )un$
ciones o#9eti!o "ue !eri)i"uen "ue ara dos indi!iduos "ue se encuentren cercanos en el esacio
de #us"ueda( sus resecti!os !alores en las )unciones o#9eti!o sean similares' /or otra arte
una di)icultad en el comortamiento del Algoritmo Genetico uede ser la e3istencia de gran
cantidad de otimos locales( as7 como el 0ec0o de "ue el otimo glo#al se encuentre mu%
aislado'
La regla general ara construir una #uena )uncion o#9eti!o es "ue esta de#e re)le9ar el !alor del
indi!iduo de una manera :real;( ero en muc0os ro#lemas de otimi&acion com#inatoria( donde
e3isten gran cantidad de restricciones( #uena arte de los untos del esacio de #us"ueda
reresen$ tan indi!iduos no !alidos'
/ara este lanteamiento en el "ue los indi!iduos estan sometidos a restricciones( se 0an rouesto
!arias soluciones' La rimera ser7a la "ue odr7amos denominar a#solutista( en la "ue a"uellos
in$ di!iduos "ue no !eri)ican las restricciones( no son considerados como tales( % se siguen
e)ectuando cruces % mutaciones 0asta o#tener indi!iduos !alidos( o #ien a dic0os indi!iduos se les
asigna una )uncion o#9eti!o igual a cero'
Otra osi#ilidad consiste en reconstruir a"uellos indi!iduos "ue no !eri)ican las restricciones' *ic0a
reconstruccion suele lle!arse a ca#o or medio de un nue!o oerador "ue se acostum#ra a denominar
rearador'
Otro en)o"ue est
#asado en la enali&acion de la )uncion o#9eti!o' La idea general consiste en
di!idir la )uncion o#9eti!o del indi!iduo or una cantidad (la enali&acion) "ue guarda relacion con
las restricciones "ue dic0o indi!iduo !iola' *ic0a cantidad uede simlemente tener en cuenta el
numero de restricciones !ioladas o #ien el denominado costo eserado de reconstruccion( es decir
el coste asociado a la con!ersion de dic0o indi!iduo en otro "ue no !iole ninguna restriccion'
Otra tecnica "ue se 0a !enido utili&ando en el caso en "ue la comutacion de la )uncion
o#9eti!o sea mu% comle9a es la denominada e!aluacion aro3imada de la )uncion o#9eti!o' En
algunos casos la o#tencion de n )unciones o#9eti!o aro3imadas uede resultar me9or "ue la
e!aluacion e3acta de una unica )uncion o#9eti!o (suuesto el caso de "ue la e!aluacion
aro3imada resulta como m7nimo n !eces mas raida "ue la e!aluacion e3acta)'
Cn ro#lema 0a#itual en las e9ecuciones de los Algoritmos Geneticos surge de#ido a la
!elocidad con la "ue el algoritmo con!erge' En algunos casos la con!ergencia es mu% raida( lo
"ue suele denominarse con!ergencia rematura( en la cual el algoritmo con!erge 0acia otimos
locales( mien$ tras "ue en otros casos el ro#lema es 9usto el contrario( es decir se roduce una
con!ergencia lenta del algoritmo' Cna osi#le solucion a estos ro#lemas asa or e)ectuar
trans)ormaciones en la )uncion o#9eti!o' El ro#lema de la con!ergencia rematura( surge a
menudo cuando la seleccion de indi!iduos se reali&a de manera roorcional a su )uncion
o#9eti!o' En tal caso( ueden e3is$ tir indi!iduos con una adatacion al ro#lema mu% suerior al
resto( "ue a medida "ue a!an&a el algoritmo :dominan; a la o#lacion' /or medio de una
trans)ormacion de la )uncion o#9eti!o( en este caso una comrension del rango de !ariacion de la
)uncion o#9eti!o( se retende "ue dic0os :suerindi!iduos; no lleguen a dominar a la o#lacion'
El ro#lema de la lenta con!ergencia del algoritmo( se resol!er7a de manera analoga( ero en
este caso e)ectuando una e3ansion del rango de la )uncion o#9eti!o'
La idea de esecies de organismos( 0a sido imitada en el disen8o de los Algoritmos Geneticos
en un metodo rouesto or Gold#erg % Ric0ardson (1.,2)( utili&ando una modi)icacion de la
)uncion o#9eti!o de cada indi!iduo( de tal manera "ue indi!iduos "ue esten mu% cercanos entre s
7 de!aluen su )uncion o#9eti!o( con o#9eto de "ue la o#lacion gane en di!ersidad'
/or e9emlo( si denotamos or d(I
9
( I
i
) a la distancia de 1amming entre los indi!iduos I
9
e I
i
(
%
t t t t
or W R
V
a un arametro( odemos de)inir la siguiente )uncion=

W d(I
9
( I
i
) si d(I
9
( I
i
) X W(
0(d(I
9
( I
i
))
B
t t t t
t t
E si d(I
9
( I
i
) W'
A continuacion ara cada indi!iduo I
9
( de)inimos Y
t
B
/
t t
0(d(I
9
( I
i
))( !alor "ue
utili&aremos
t 9 iB9 t t
ara de!aluar la )uncion o#9eti!o del indi!iduo en cuestion' Es decir( g

(I
9
) B g(I
9
)?Y
t
' *e
esta
t t 9
manera a"uellos indi!iduos "ue estan cercanos entre s7 !eran de!aluada la ro#a#ilidad de ser
se$
leccionados como adres( aumentandose la ro#a#ilidad de los indi!iduos "ue se encuentran mas
aislados'
6'6 Seleccion
La )uncion de seleccion de adres mas utili&ada es la denominada )uncion de seleccion roorcional
a la )uncion o#9eti!o( en la cual cada indi!iduo tiene una ro#a#ilidad de ser seleccionado como
adre "ue es roorcional al !alor de su )uncion o#9eti!o'
*enotando or
ro
la ro#a#ilidad de "ue el indi!iduo I
9
sea seleccionado como adre( se tiene
"ue=
9(t t
9

ro g (I
t
)
'
9(t
B
/
P 9
9B1
g(I
t
)
Esta )uncion de seleccion es in!ariante ante un cam#io de escala( ero no ante una traslacion'
Cna de las maneras de suerar el ro#lema relacionado con la raida con!ergencia ro!eniente de
los suerindi!iduos( "ue surge al alicar la anterior )uncion de seleccion( es el e)ectuar la seleccion
roorcional al rango del indi!iduo( con lo cual se roduce una rearticion mas uni)orme de la ro$
#a#ilidad de seleccion( tal % como se ilustra en la )igura D'D' Si denotamos or rango(g(I
9
)) el rango
prop rango
/ ( I
9(t
) / ( I
9(t
)
I
9(t
I
<igura D'D= Es"uemas de seleccion de adres roorcional a la )uncion o#9eti!o (i&"uierda) %
roorcional al rango de la )uncion o#9eti!o (derec0a)
de la )uncion o#9eti!o del indi!iduo I
9
cuando los indi!iduos de la o#lacion 0an sido ordenados
de menor a ma%or (es decir el eor indi!iduo tiene rango 1( mientras "ue el indi!iduo con me9or
)uncion o#9eti!o tiene rango P)( % sea
rango
la ro#a#ilidad de "ue el indi!iduo I
9
sea seleccionado
9(t t
como adre cuando la seleccion se e)ectua roorcionalmente al rango del indi!iduo( se tiene "ue

rango
rango(g (I
9
))
P(P V 1)?5
'
La suma de los rangos( P(P V 1)?5( constitu%e la constante de normali&acion' La )uncion de seleccion
#asada en el rango es in!ariante )rente a la translacion % al cam#io de escala'
Otro osi#le re)inamento del modelo de seleccion roorcional( es el modelo de seleccion del !alor
eserado( el cual actua de la manera siguiente= ara cada indi!iduo I
9
( se introduce un
contador( iniciali&ado en g(I
9
)?gZ
t
( donde gZ
t
denota la media de la )uncion o#9eti!o en la
generacion t' Cada
!e& "ue el indi!iduo I
9
es seleccionado ara el cruce( dic0o contador decrece en una cantidad
c (c (E( -M 1))' El indi!iduo en cuestion de9ar
su contador sea negati!o'
de oder ser seleccionado en esa generacion( cuando
Cn es"uema de seleccion( introducido or >rindle (1..1)( % "ue em7ricamente 0a
roorcionado #uenos resultados( es el denominado muestreo estocastico con reemla&amiento del
resto( en el cual
t
t
9(t
B
t
t
t
t
cada indi!iduo es seleccionado un numero de !eces "ue coincide con la arte entera del nu
mero eserado de ocurrencias de dic0o suceso( comitiendo los indi!iduos or los restos' Es
decir( si denotamos or n(I
9
) el numero de !eces "ue el indi!iduo I
9
es seleccionado ara el
cruce( tenemos
"ue=
t t
n(I
9
) B n
1
(I
9
) V n
5
(I
9
)( donde
t t t
n
1
(I
9
) B Kg(I
9
)?gZ
t
L( % n
5
(I
9
) corresonde a la comonente aleatoria "ue resulta de muestrear
so#re
t t t
los P
/
P
Kg(I
9
)?gZ
t
L restantes indi!iduos( siendo el muestro roorcional a la )uncion o#9eti!o
de
cada indi!iduo'
>aTer (1.,2) introduce un metodo denominado muestreo uni!ersal estocastico( el cual utili&a
un unico giro de la ruleta siendo los sectores circulares roorcionales a la )uncion o#9eti!o' Los
indi$ !iduos son seleccionados a artir de marcadores (!ease <igura D'2 )( igualmente esaciados %
con comien&o aleatorio'
E)ectuando un aralelismo con los metodos de muestreo estad7sticos( este ultimo tio de seleccion
de
t
G
t
1
t
t
6
5
<igura D'2= Metodo de seleccion de adres denominado muestreo uni!ersal estocastico' El indi!iduo I
t
se escoge 5 !eces( mientras "ue I
t
e I
t
son elegidos una unica !e&
6 G
adres se relaciona con el muestreo sistematico( mientras "ue la seleccion roorcional a la )uncion
o#9eti!o( est #asada en el muestreo estrati)icado con a)i9acion roorcional al taman8o' Tam#ien
el
rocedimiento de seleccion "ue 0emos denominado muestreo estocastico con reemla&amiento del
resto( mantiene un aralelismo con el muestreo estrati)icado con a)i9acion de comromiso'
En el modelo de seleccion elitista se )uer&a a "ue el me9or indi!iduo de la o#lacion en el tiemo t(
sea seleccionado como adre'
La seleccion or torneo( constitu%e un rocedimiento de seleccion de adres mu% e3tendido % en el
cual la idea consiste en escoger al a&ar un numero de indi!iduos de la o#lacion( taman8o del
torneo( (con o sin reemla&amiento)( seleccionar el me9or indi!iduo de este gruo( % reetir el
roceso 0asta "ue el numero de indi!iduos seleccionados coincida con el taman8o de la o#lacion'
1a#itualmente el taman8o del torneo es 5( % en tal caso se 0a utili&ado una !ersion ro#a#il7stica
en la cual se ermite la seleccion de indi!iduos sin "ue necesariamente sean los me9ores'
Cna osi#le clasi)icacion de rocedimientos de seleccion de adres consistir
en= metodos de se$
leccion dinamicos( en los cuales los ro#a#ilidades de seleccion !ar7an de generacion a
generacion( (or e9emlo la seleccion roorcional a la )uncion o#9eti!o)( )rente a metodos de
seleccion estaticos( en los cuales dic0as ro#a#ilidades ermanecen constantes (or e9emlo la
seleccion #asada en ran$ gos)'
Si se asegura "ue todos los indi!iduos tienen asignada una ro#a#ilidad de seleccion distinta de cero
el metodo de seleccion se denomina reser!ati!o' En caso contrario se acostum#ra a denominarlo
e3tinti!o'
9B1 t
I
I
I
I
1
6'G Cruce
El Algoritmo Genetico Canonico descrito anteriormente( utili&a el cruce #asado en un unto( en
el cual los dos indi!iduos seleccionados ara 9ugar el ael de adres( son recom#inados or medio
de la seleccion de un unto de corte( ara osteriormente intercam#iar las secciones "ue se
encuentran a la derec0a de dic0o unto'
Se 0an in!estigado otros oeradores de cruce( 0a#itualmente teniendo en cuenta mas de un unto de
cruce' *e Fong (1.2-) in!estig el comortamiento del oerador de cruce #asado en multiles
untos(
conclu%endo "ue el cruce #asado en dos untos( reresenta#a una me9ora mientras "ue an8adir
mas untos de cruce no #ene)icia#a el comortamiento del algoritmo' La !enta9a de tener mas
de un unto de cruce radica en "ue el esacio de #us"ueda uede ser e3lorado mas )acilmente(
siendo la rincial des!enta9a el 0ec0o de aumentar la ro#a#ilidad de rutura de #uenos
es"uemas'
En el oerador de cruce #asado en dos untos( los cromosomas (indi!iduos) ueden contemlarse
como un circuito en el cual se e)ectua la seleccion aleatoria de dos untos( tal % como se indica
en la )igura D','
Final Comienzo
Segundo punto
de corte
Primer punto
de corte
<igura D',= Indi!iduo !isto como un circuito
*esde este unto de !ista( el cruce #asado en un unto( uede !erse como un caso articular del
cruce #asado en dos untos( en el cual uno de los untos de corte se encuentra )i9o al comien&o de
la ristra "ue reresenta al indi!iduo' Jease )igura D'.'
En el denominado oerador de cruce uni)orme (S%s+erda (1..1)) cada gen en la descendencia se
Padres
Descendientes
1 0 1 0
1 0 1 0
0 0 1 1 1 0
0 1 0 1 1 0
0 0 1 1 0 1 0
0 0 1 1 0 0 1
0 1 0
0 1 0
<igura D'.= Oerador de cruce #asado en dos untos
crea coiando el corresondiente gen de uno de los dos adres( escogido de acuerdo a una :mascara
de cruce; generada aleatoriamente' Cuando e3iste un 1 en la :mascara de cruce;( el gen es coiado
del rimer adre( mientras "ue cuando e3ista un E en la mascara( el gen se coia del segundo adre(
tal % como se muestra en la )igura 5'1E' En la literatura( el termino oerador de cruce uni)orme
se relaciona con la o#tencion de la :mascara de cruce; uni)orme( en el sentido de "ue cual"uiera de
los elementos del al)a#eto tenga asociada la misma ro#a#ilidad' 1a#lando en terminos de la teor
7a de
la ro#a#ilidad la mascara de cruce est comuesta or una muestra aleatoria de taman8o P e3tra
7da
de una distri#ucion de ro#a#ilidad de >ernouilli de arametro 1?5'
Si tu!iesemos en cuenta el !alor de la )uncion de adatacion de cada adre en el momento de
generar la :mascara de cruce;( de tal manera "ue cuanto ma%or sea la )uncion de adatacion de un
indi!iduo( mas ro#a#le sea 0eredar sus caracter7sticas( odr7amos de)inir( !ease Larran8aga %
/o&a (1..G)( un oerador de cruce #asado en la )uncion o#9eti!o( en el cual la :mascara de cruce; se
interreta como una muestra aleatoria de taman8o l ro!eniente de una distri#ucion de >ernouilli
de arametro
B g(I
9
)?(g(I
9
) V g(I
i
))
t t t
Mscara de cruce 1 0 0 1 0 0 1
Padre 1 1 1 0 1 1 0 1
Descendiente 1 0 0 1 1 1 1
Padre 2 0 0 0 1 1 1 0
<igura D'1E= Oerador de cruce uni)orme
donde I
9
% I
i
denotan los adres seleccionados ara ser cru&ados'
t t
El conceto de :mascara de cruce; uede tam#ien ser!ir ara reresentar los cruces #asados en
un unto % #asados en multiles untos( tal % como se muestra en )igura D'11
Sirag % Aeiser (1.,2)( modi)ican el oerador de cruce en el sentido del Simulated Annealing' *e
Mscara de cruce 1 1 1 0 0 0 0 1 1 0 0 0 1
Padre 1 1 0 1 1 0 0 1 1 0 1 1 0 0
Descendiente 1 0 1 0 1 1 1 1 0 0 0 1 0
Padre 2 1 0 0 0 1 1 1 1 0 0 0 1 1
<igura D'11= :Mascaras de cruce; ara los oeradores de cruce #asados en 1 unto % en 5 untos
esta manera el oerador de cruce se modi)ica de)iniendo un um#ral de energia [
c
( % una temeratura
T ( las cuales in)luencian la manera en la "ue se escogen los #its indi!iduales' Segun el
oerador
rouesto el #it (i V 1)$esimo se
tomar
del adre ouesto al "ue se 0a tomado el #it i$esimo( con
ro#a#ilidad e3([
c
?T )( donde T es el arametro :temeratura; el cual( al igual "ue en Simulated
Annealing decrecer lentamente or medio de un rograma de en)riamiento' Con altas temeraturas
el comortamiento se aseme9a al del oerador de cruce uni)orme( es decir con ro#a#ilidad cercana
a la unidad los #its se !an escogiendo alternati!amente de cada adre' /or otra arte cuando el
!alor del arametro temeratura se acerca a cero el 0i9o resultante coincide racticamente con uno
de los adres'
E3isten otros oeradores de cruce esec7)icos ara un determinado ro#lema como son( or
e9emlo( los de)inidos ara el TS/( "ue se trataran mas adelante'
/or otra arte( la idea de "ue el cruce de#er7a de ser mas ro#a#le en algunas osiciones 0a
sido descrita or !arios autores (Sc0a))er % Moris0ima( 1.,2M 1olland( 1.2-M *a!is( 1.,-M Le!enicT(
1..1)'
6'- Mutacion
La mutacion se considera un oerador #asico( "ue roorciona un e"uen8o elemento de
aleatoridad en la !ecindad (entorno) de los indi!iduos de la o#lacion' Si #ien se admite "ue el
oerador de cruce es el resonsa#le de e)ectuar la #us"ueda a lo largo del esacio de osi#les
soluciones( tam#ien arece desrenderse de los e3erimentos e)ectuados or !arios in!estigadores
"ue el oerador de mutacion !a ganando en imortancia a medida "ue la o#lacion de indi!iduos
!a con!ergiendo (*a!is( 1.,-)'
Sc0a))er % col' (1.,.) encuentran "ue el e)ecto del cruce en la #us"ueda es in)erior al "ue
re!iamente se esera#a' Ctili&an la denominada e!olucion rimiti!a( en la cual( el roceso
e!oluti!o consta tan solo de seleccion % mutacion' Encuentran "ue dic0a e!olucion rimiti!a
suera con creces a una e!olucion #asada e3clusi!amente en la seleccion % el cruce' Otra conclusion
de su tra#a9o es "ue la determinacion del !alor otimo de la ro#a#ilidad de mutacion es muc0o
mas crucial "ue el relati!o a la ro#a#ilidad de cruce'
La #us"ueda del !alor otimo ara la ro#a#ilidad de mutacion( es una cuestion "ue 0a sido
moti!o
de !arios tra#a9os' As7( *e Fong (1.2-) recomienda la utili&acion de una ro#a#ilidad de
mutacion del #it de l
1
( siendo l la longitud del string' Sc0a))er % col' (1.,.) utili&an resultados
e3erimentales
ara estimar la tasa otima roorcional a 1?P
E'.61,
l
E'G-6-
( donde P denota el numero de
indi!iduos en la o#lacion'
Si #ien en la ma%or7a de las imlementaciones de Algoritmos Geneticos se asume "ue tanto
la ro#a#ilidad de cruce como la de mutacion ermanecen constantes( algunos autores 0an
o#tenido me9ores resultados e3erimentales modi)icando la ro#a#ilidad de mutacion a medida "ue
aumenta el numero de iteraciones' /ueden consultarse los tra#a9os de AcTle% (1.,2)(
>ramlette (1..1)( <ogart% (1.,.) % Mic0ale+ic& % FaniTo+ (1..1)'
6'D Reduccion
Cna !e& o#tenidos los indi!iduos descendientes de una determinada o#lacion en el tiemo t( el
roceso de reduccion al taman8o original( consiste en escoger P indi!iduos de entre los P
indi!iduos "ue )orman arte de la o#lacion en el tiemo t( % los P indi!iduos descendientes de
los mismos' *ic0o roceso se suele 0acer )undamentalmente de dos )ormas distintas'
O #ien los P indi!iduos descendientes son los "ue )orman arte de la o#lacion en el tiemo t V 1( es
lo "ue se denomina reduccion simle( o #ien se escogen de entre los 5P indi!iduos( los P indi!iduos
mas adatados al ro#lema( siguiendo lo "ue odemos denominar un criterio de reduccion elitista
de grado P' /odemos tam#ien considerar otros rocedimientos de reduccion "ue se colocan entre los
anteriores( or e9emlo( si escogemos los P
1
me9ores de entre adres % descendientes( escogi
endose
los P P
1
restantes de entre los descendientes no seleccionados 0asta el momento'
El conceto de reduccion est
ligado con el de tasa de reemla&amiento generacional( t
rg
( es decir
en el orcenta9e de 0i9os generados con resecto del taman8o de la
o#lacion'
Si #ien en la idea rimiti!a de 1olland (1.2-) dic0o reemla&amiento se e)ectua#a de 1 en 1( es
decir t
rg
B P
1
( 0a#itualmente dic0o reemla&amiento se e)ectua en #lo"ue( t
rg
B 1' *e
Fong
(1.2-) introdu9o el conceto de tasa de reemlamiento generacional con el o#9eti!o de e)ectuar un
solaamiento controlado entre adres e 0i9os' En su tra#a9o( en cada aso una roorcion( t
rg
( de
la o#lacion es seleccionada ara ser cru&ada' Los 0i9os resultantes odran reemla&ar a miem#ros
de la o#lacion anterior' Este tio de Algoritmos Geneticos se conocen #a9o el nom#re de SSGA
(Stead% State Genetic Algorit0m)( un e9emlo de los cuales lo constitu%e GENITOR (A0itle% %
Waut0( 1.,,M A0itle%( 1.,.)'
Mic0ale+ic& (1..5) introduce un algoritmo "ue denomina Algoritmo Genetico Modi)icado( MO*
GA
( en el cual ara lle!ar a ca#o el reemla&amiento generacional( selecciona al a&ar r
1
indi!iduos
ara la reroduccion( as7 como r
5
indi!iduos (distintos de los anteriores) destinados a morir'
Estas se$ lecciones aleatorias tienen en consideracion el !alor de la )uncion o#9eti!o de cada
indi!iduo( de tal manera "ue cuanto ma%or es la )uncion o#9eti!o( ma%or es la ro#a#ilidad de "ue
sea seleccionado ara la reroduccion( % menor es la ro#a#ilidad de "ue dic0o indi!iduo )alle&ca'
El resto de los
P (r
1
V r
5
) indi!iduos son considerados como neutros % asan directamente a )ormar arte de la
o#lacion en la siguiente generacion'
6'2 Algoritmos Geneticos
/aralelos
En este aartado se introduciran tres maneras di)erentes de e3lotar el aralelismo de los Algoritmos
Geneticos( or medio de los denominados modelos de islas' /ara una ro)undi&acion so#re el tema
uede consultarse Stender (1..6)'
Modelos de islas' La idea #asica consiste en di!idir la o#lacion total en !arias su#o#laciones
en cada una de las cuales se lle!a a ca#o un Algoritmo Genetico' Cada cierto numero de
genera$ ciones( se e)ectua un intercam#io de in)ormacion entre las su#o#laciones( roceso "ue se
denomina emigracion' La introduccion de la emigracion 0ace "ue los modelos de islas sean caaces
de e3lotar las di)erencias entre las di!ersas su#o#laciones( o#teniendose de esta manera una
)uente de di!ersi$ dad genetica' Cada su#oulacion es una :isla;( de)iniendose un
rocedimiento or medio del cual
se mue!e el material genetico de una :isla; a otra' La determinacion de la tasa de migracion(
es un asunto de caital imortancia( %a "ue de ella uede deender la con!ergencia rematura de
la #us"ueda'
Se ueden distinguir di)erentes modelos de islas en )uncion de la comunicacion entre las su#o#la$
ciones' Algunas comunicaciones t7icas son las siguientes=
Comunicacion en estrella( en la cual e3iste una su#o#lacion "ue es seleccionada como maestra
(a"uella "ue tiene me9or media en el !alor de la )uncion o#9eti!o)( siendo las demas consideradas
como escla!as' Todas las su#o#laciones escla!as mandan sus 0
1
me9ores indi!iduos (0
1
1)
a la su#o#lacion maestra la cual a su !e& manda sus 0
5
me9ores indi!iduos (0
5
1) a cada
una de las su#o#laciones escla!as' Jease )igura
D'15'
scla!a
scla!a
Maestra
scla!a scla!a
<igura D'15= Algoritmo Genetico /aralelo' Modelo de Islas' Comunicacion en estrella
Comunicacion en red( en la cual no e3iste una 9erar"u7a entre las su#o#laciones(
mandando todas % cada una de ellas sus 0
6
(0
6
1) me9ores indi!iduos al resto de las
su#o#laciones'
Jease )igura D'16'
Su"po"l# 1 Su"po"l# 2
Su"po"l# $
Su"po"l# %
<igura D'16= Algoritmo Genetico /aralelo' Modelo de Islas' Comunicacion en
red
Comunicacion en anillo( en la cual cada su#o#lacion en!7a sus 0
G
me9ores indi!iduos (0
G

1)( a una o#lacion !ecina( e)ectuandose la migracion en un unico sentido de )lu9o' Jease
)igura
D'1G'
El modelo de islas 0a sido utili&ado or !arios autores (A0itle% % StarT+eat0er( 1..EM Gorges$
Sc0leuter( 1.,.M Tanese( 1.,2)'
6', E!aluacion de Algoritmos Geneticos
Las tres medidas de e!aluacion "ue se trataran en este aartado( )ueron introducidas or *e Fong
(1.2-)( % se conocen como=
e!aluacion on$line
e!aluacion o))$line
Su"po"l# 1 Su"po"l# 2
Su"po"l# $
Su"po"l# %
<igura D'1G= Algoritmo Genetico /aralelo' Modelo de Islas' Comunicacion en
anillo
e!aluacion #asada en el me9or
Si denotamos or !
i
(t) la )uncion o#9eti!o del i$esimo indi!iduo (i B 1( ' ' ' ( P) en la t$esima
o#lacion(
la e!aluacion on$line( desues de T iteraciones( se
denotar
or !
on$line
(T )( % se de)ine como
/
T
/
P
!
on$line
(T ) B
tB1 iB1
!
i
(t)
'
PT
Es decir( la e!aluacion on$line mide el comortamiento medio de todas las ristras generadas 0asta
el tiemo T '
La e!aluacion o))$line se re)iere al comortamiento del Algoritmo Genetico en su roceso de
con$ !ergencia 0acia el otimo' As7 tendremos "ue si denotamos or !

(t) al me9or !alor de la

)uncion
o#9eti!o o#tenido 0asta el tiemo t (inclu%endo dic0o tiemo)( % si !
o))$line
(T ) denota la e!aluacion
o))$line desues de T generaciones( tenemos "ue
!
o))$line
(T ) B
tB1
!

(t)
'
T
La de)inicion de e!aluacion #asada en el me9or trata de e!aluar el Algoritmo Genetico or medio
del me9or !alor de la )uncion de e!aluacion encontrado en la e!olucion' Se trata or tanto de la
medida de e!aluacion usual al tratar de estudiar el comortamiento de cual"uier tecnica 0eur
7stica'
G \/or "ue
)uncionan]
En este aartado se trataran algunas cuestiones relacionadas con el or"ue :)uncionan; los Algo$
ritmos Geneticos' El signi)icado de la ala#ra :)uncionan; se re)iere al 0ec0o de ser caaces
de encontrar el otimo de la )uncion durante el roceso de #us"ueda'
Se estudiar
en rimer lugar el denominado Teorema de los es"uemas( (Gold#erg( 1.,.)( adatando
la notacion( ara resentarlo en relacion con distri#uciones #inomiales( ara a continuacion intro$
ducir la denominada 1iotesis de #lo"ues( % )inali&ar re)erenciando algunos tra#a9os relati!os a la
con!ergencia de los Algoritmos Geneticos'
G'1 Teorema de los es"uemas
En lo "ue sigue se desarrollar
el denominado Teorema de los es"uemas ara el caso del Algoritmo
Genetico Canonico( utili&ando ademas un al)a#eto #inario' *ic0o teorema utili&a el conceto de
es"uema( "ue introducimos a continuacion'
Suongamos un al)a#eto #inario S B {E( 1}' /ara construir un es"uema necesitamos amliar el
/
T
al)a#eto anterior or medio del s7m#olo ' Cn es"uema
ser
cual"uier ristra de caracteres )ormada
a artir de elementos del al)a#eto amliado S
0
( siendo S
0
B {E( 1( } ' Si la longitud de la ristra es l(
el numero de es"uemas e3istentes es 6
l
( %a "ue cada osicion uede ocuarse or cual"uier de
los tres elementos del al)a#eto e3tendido S
0
' Cn es"uema reresenta or tanto todas a"uellas
ristras "ue se asocian con el( en todas las osiciones distintas de las ocuadas or '
As7 or e9emlo considerando ristras de longitud G( tenemos "ue el es"uema ^ B (1 E) se
emare9a con los cromosomas
(E1EE)( (E11E)( (11EE)%(111E)'
*esde un unto de !ista geometrico un es"uema e"ui!ale a un 0ierlano en el esacio de #u
s"ueda' El es"uema (E111) reresenta una unica ristra( mientras "ue el es"uema ( )
reresenta todas las ristras de longitud G' /or otra arte cada es"uema se emare9a
e3actamente con 5
r
ristras(
donde r denota el numero de s7m#olos contenidos en el es"uema' Ademas cada ristra de
longitud
l se emare9a con 5
l
es"uemas' As7 or e9emlo el ristra (E1EE) se emare9a con los siguientes
5
G
es"uemas=
(E1EE)(
(1EE)( (E EE)( (E1 E)(
(E1E)(
( EE)( (1 E)( (1E)( (E E)( (E E)( (E1
)(
( E)( ( E)( (1 )( (E
)(
(
)'
/ara desarrollar el Teorema de los es"uemas necesitamos utili&ar los concetos de orden % longitud
de un es"uema( "ue se de)inen a continuacion'
El orden del es"uema ^( se denota or o(^)( % se re)iere al numero de osiciones ocuadas or
Es( o 1s dentro del es"uema' Se trata or tanto del numero de osiciones )i9as en el
es"uema' En otras ala#ras se trata de la longitud de la ristra menos el numero de s7m#olos '
/or e9emlo( los
tres es"uemas siguientes(
tienen los siguientes o
rdenes=
^
1
B (E1)(
^
5
B ( 1)(
^
6
B (11E)(
o(^
1
) B 5( o(^
5
) B 1( % o(^
6
) B 6'
El conceto de orden del es"uema se utili&a( como se !er
con osterioridad( ara calcular la ro#$
a#ilidad de suer!i!encia del es"uema con relacion al oerador mutacion'
La longitud del es"uema ^( se denota or medio de _(^)( % se de)ine como la distancia entre la
rimera % la ultima osiciones )i9as de la ristra' *ic0o conceto de)ine en cierto modo la com$
acti#ilidad de la in)ormacion contenida en el es"uema' As7 or e9emlo
_(^
1
) B 6 5 B 1( _(^
5
) B G G B E( % _(^
6
) B 6 1 B 5'
El conceto anterior se utili&a ara calcular la ro#a#ilidad de suer!i!encia del es"uema )rente al
oerador de cruce'
*enotaremos or=
P( el taman8o de la o#lacion "ue se
considerar

c
( la ro#a#ilidad de cruce(

m
( la ro#a#ilidad de mutacion'
constante a lo largo de la e!olucion(
/or otra arte( `(^( t)
denotara
t( se asocian con el es"uema ^'
el numero de ristras "ue en una determinada o#lacion en el tiemo
As7 or e9emlo si consideramos la o#lacion en el tiemo t(
P
t
B {(E1EE)( (1EE1)( (1111)( (EEE1)}(
% los dos es"uemas siguientes
tenemos "ue
^
1
B ( E1) % ^
5
B (
E)( `(^
1
( t) B 5 % `(^
5
( t)
B 1'
Otra roiedad del es"uema es su adatacion en el
tiemo t( la cual se denotar
or e!al(^(
t) % se
de)ine como la media de la )uncion o#9eti!o de todas las ristras
"ue en la o#lacion se asocian con el es"uema ^'
Sea < (t)( la media de la )uncion o#9eti!o e3tendida a toda la
o#lacion en el tiemo t' Es decir < (t) B < (t)?P( siendo < (t)
la suma de las )unciones o#9eti!o de todas los indi!iduos en la
o#lacion en el tiemo t'
Con la notacion introducida 0asta el momento( odemos enunciar
el Teorema de los es"uemas de la siguiente manera'
Teorema de los es"uemas Si denotamos or E
sel( cru( mut
(`(^( t V 1))( el numero eserado de indi!iduos "ue se asocian
con el es"uema ^( en el tiemo t V 1( desues de e)ectuar la
seleccion( el cruce % la mutacion en un Algoritmo Genetico
Canonico( se tiene "ue=
_(^)
E
sel( cru( mut
(`(^( t V 1)) `(^(
t) e!al(^( t)?< (t)K1
c
l
o(^)
m
L'

La demostracion
se e)ectuar
en tres asos( en el rimero de los
cuales se estudiar
el e)ecto
de la
seleccion #asada en la ruleta sesgada( en el numero eserado
de indi!iduos "ue se asocian con la
ristra ^' *ic0o nu
mero se denotar
or E
sel
(`(^( t V 1))' A
continuacion se !er
el e)ecto del
cruce
en dic0o numero eserado(
el cual se denotar
or E
sel( cru
(`(^( t V 1))( ara
)inalmente tratar el
e)ecto de la mutacion( o#teniendose una cota in)erior ara E
sel(
cru( mut
(`(^( t V 1))
E)ecto seleccion
Ctili&ando la notacion anteriormente introducida( se
tiene "ue la ro#a#ilidad de "ue un indi!iduo
seleccionado ara cru&arse (suonemos "ue la seleccion se
e)ectua de manera ro$
orcional a la )uncion o#9eti!o) se emare9e
con el es"uema ^( se calcular
e!al(^( t)?< (t)'
or
medio de
El numero eserado de indi!iduos "ue a artir del
anterior indi!iduo seleccionado !an a em$
are9arse
con ^( ser
(e!al(^( t)?< (t)) `(^( t)' Al e)ectuarse
P selecciones( se tendr
E
sel
(`(^( t V 1)) B P `(^( t) e!al(^(
t)?< (t)'
"ue=
Teniendo en cuenta "ue < (t) B < (t)?P( tendremos "ue=
E
sel
(`(^( t
V 1)) B
`(^( t)
e!al(^(
1
t)
?
<
(t
)'
Si se asume "ue la
e!aluacion del
es"uema suera a la
e!aluacion media
e3tendida a toda la
o#lacion en un aH(
es decir si
e!al
t)
(t)
a<
(a
E)(
e
nt
o
n
c
es
o
#t
e
n
d
re
m
o
s
"
u
e
E
sel
(`(^( t)) B
`(^( E) (1 V a)
t
'
/or tanto aca#amos
de o#tener "ue el nu
mero medio eserado
de indi!iduos "ue se
asocian con un
es"uema determinado
^ en el tiemo t(
crece de )orma
e3onencial en
)uncion de la
di)erencia entre la
e!aluacion media de
dic0o es"uema con
resecto a la
e!aluacion media
glo#al'
La anterior ecuacion
se conoce #a9o el
nom#re de ecuacion
de crecimiento
reroducti!o de los
es"uemas'
E)ecto cruce
*enotando or
d(cruce
(^)( la ro#a#ilidad de "ue el es"uema ^ sea destruido or el oerador
de cruce( se tiene "ue
_(^)

d(cruce
(^) B
l 1
'
En realidad como el oerador de cruce se lle!a a ca#o con una cierta ro#a#ilidad
c
( se tiene
"ue
_(^)

d(cruce
(^) B
l 1

c
(
lo cual e"ui!ale a decir "ue la ro#a#ilidad de "ue el es"uema ^ so#re!i!a al cruce es
_(^)

so( cruce
(^) B 1
d(cruce
(^) B 1
l 1

c
'
En realidad la )ormula anterior nos roorciona una cota ara la ro#a#ilidad de "ue so#re!i!a
el es"uema ^' Ello es de#ido a "ue( uede ocurrir "ue aun"ue el unto de corte se encuentre
entre los s7m#olos comrendidos entre el rimer % el ultimo elemento distintos de (
el
es"uema resultante no muera' As7 or e9emlo( si consideramos los dos es"uemas=
S
1
B 1
E( S
5
B 1
E(
indeendientemente del unto de corte( cual"uiera de los es"uemas resultantes coincide con
los anteriores' *e a07 "ue en realidad tenemos "ue=
_(^)
o#teniendose
"ue

so( cruce
(^) 1
l 1

c
(
_(^)
E
sel( cru
K`(^( t V 1)L `(^( t) e!al(^( t)?< (t) (1
l
E)ecto mutacion

c
)'

*enotando or
so( mut
(^) a la ro#a#ilidad de "ue el es"uema ^ so#re!i!a al oerador mu$
tacion( se tiene "ue
so( mut
(^) B (1
m
)
o(^)
' Al ser
m
XX 1( la anterior ro#a#ilidad de
so#re!i!ir uede ser aro3imada or

so(mut
1 o(^)
m
'
El e)ecto com#inado de la seleccion( el oerador de cruce % el oerador de mutacion nos roorciona
el denominado Teorema de los es"uemas'
Es decir
E
sel( cru( mut
K`(^( t V 1)L

_(^)
_(^)
`(^( t) e!al(^( t)?< (t) K1
l
o #ien surimiendo el ultimo termino

c
o(^)
m
V
l 1
o(^)
c

m
L'
_(^)
E
sel( cru( mut
K`(^( t V 1)L `(^( t) e!al(^( t)?< (t)K1
l

c
o(^)
m
L'

La )ormula anterior nos roorciona una cota in)erior del numero eserado de indi!iduos "ue se
asocian con el es"uema ^ en la siguiente generacion( e3resado en )uncion del numero de
indi!iduos "ue se asocian con el es"uema en la actual generacion( as7 como de la adatacion
del es"uema relati!a a la adatacion media de la o#lacion( el orden % la longitud del es"uema(
la longitud de las ristras( as7 como las ro#a#ilidades de cruce % mutacion'
Tal % como se desrende de la )ormula anterior( es"uemas cortos( de #a9o orden % con una adatacion
al ro#lema suerior a la adatacion media( se esera "ue a medida "ue e!oluciona el Algoritmo
Genetico( o#tengan un incremento e3onencial en el numero de indi!iduos "ue se asocian con
los mismos'
1
1
1
G'5 /aralelismo iml
7cito
El 0ec0o de "ue los Algoritmos Geneticos e)ectuen #us"uedas ro#ustas( se de#e a "ue iml
7citamente muestrean 0ierlanos' Es decir cada indi!iduo( reresentado or medio de una
codi)icacion #inaria( constitu%e un !ertice del 0iercu#o "ue reresenta el esacio de #us"ueda( %
es a su !e& un miem#ro
de 5
l
1 di)erentes 0ierlanos( donde l es la longitud de la codi)icacion #inaria' /or otra arte
e3isten un total de 6
l
1 0ierlanos articiones so#re el esacio de #us"ueda total'
Cada indi!iduo no roorciona gran in)ormacion si se e3amina or searado' Es or ello "ue la
#us"ueda #asada en una o#lacion es cr7tica ara los Algoritmos Geneticos' Cna o#lacion de
indi$ !iduos( roorciona in)ormacion so#re numerosos 0ierlanos( estando los 0ierlanos de #a9o
orden muestrados or numerosos untos de la o#lacion' El 0ec0o de "ue se muestreen muc0os
0ierlanos cuando se e!alua una o#lacion de ristras( se conoce como el aralelismo iml7cito
o intr7nseco de los Algoritmos Geneticos' *ic0o aralelismo iml7cito( signi)ica "ue muc0as
cometiciones entre 0ierlanos se e)ectuan simultaneamente'
G'6 Teoremas de con!ergencia
Rudol0 (1..G) demuestra la no con!ergencia 0acia el otimo glo#al del algoritmo genetico
canonico( as7 como la garant7a( de con!ergencia e3resada en terminos ro#a#il7sticos( del
algoritmo genetico "ue mantiene a la me9or solucion en la o#lacion'
*a!is % /rincie (1..6) e3traolan los )undamentos teoricos del algoritmo simulated annealing a un
modelo de algoritmo genetico #asado en cadenas de MarTo!' Se e)ectua un estudio de las
matrices de transicion de estados teniendo en cuenta en rimer lugar tan solo la reroduccion( a
continuacion la reroduccion % la mutacion % )inalmente la reroduccion( la mutacion % el cruce'
Su&uTi (1..6) e)ectua un estudio de la con!ergencia de los algoritmos geneticos or medio de
cadenas de MarTo!' Los algoritmos geneticos estudiados resentan un criterio de reduccion elitista
modi)i$ cado( segun el cual se genera una o#lacion de P indi!iduos( inclu%endo en ella al me9or
indi!iduo
de la o#lacion en la generacion anterior( o#teniendose los P 1 indi!iduos restantes or medio
de
las oeraciones geneticas
normales'
Lieins (1..5) demuestra la con!ergencia del algoritmo genetico 0acia o#laciones "ue contienen al
otimo( en el caso de algoritmos geneticos sin oerador de mutacion( ero en los cuales el
reem$ la&amiento de indi!iduos es elitista $ el me9or indi!iduo no se ierde nunca $ % ademas se
e)ectua de tal manera "ue en cada aso cual"uier unto del esacio sea otencialmente alcan&a#le
or medio de la oeracion de cruce'
C0aTra#ort% % *astidar (1..6)( resentan un modelo de )ia#ilidad estocastica de un es"uema ara
el algoritmo genetico #inario con longitud de reresentacion )i9a( % o#tienen una estimacion ara el
numero de generaciones necesarias 0asta o#tener la con!ergencia'
Ei#en % col' (1..E) modelan la e!olucion del algoritmo genetico or medio de una cadena de
MarTo!( o#teniendo condiciones su)icientes ara la con!ergencia en ro#a#ilidad del rocreso
e!oluti!o 0acia el otimo glo#al'
- Oeradores geneticos en el ro#lema del agente !ia
9ero
-'1 Introduccion
El ro#lema del agente !ia9ero( tam#ien denominado TS/ (Tra!elling Salesman /ro#lem)(
consiste en $dada una coleccion de ciudades$ determinar la gira de m7nimo costo( !isitando
cada ciudad e3actamente una !e& % !ol!iendo al unto de artida'
Mas recisamente( dado un numero entero n 6 % dada una matri& C B (c
i9
) M (n( n)(
con elementos c
i9
enteros no negati!os( se trata de encontrar la ermutacion c7clica b de los
enteros de
1 a n "ue minimi&a
/
n
c
ib(i)
'
A lo largo de los an8os el ro#lema del agente !ia9ero 0a ocuado la mente de numerosos in!esti$
gadores' Los moti!os son !arios' En rimer lugar( el TS/ es un ro#lema mu% sencillo de enunciar(
ero mu% di)7cil de resol!er' En segundo lugar( el TS/ es alica#le a una gran !ariedad de
ro#lemas de lani)icacion' <inalmente( se 0a con!ertido en una esecie de ro#lema test( es decir
los nue!os metodos de otimi&acion com#inatoria son a menudo alicados al TS/ con o#9eto de
tener una idea de sus otencialidades'
Son numerosos los 0eur7sticos "ue se 0an desarrollado ara el TS/' La ma%or7a de ellos se
descri#en en La+ler % col' (1.,-)' La rimera aro3imacion al TS/ a artir de Algoritmos
Geneticos la
e)ectu >rad% (1.,-)' Su intento )ue seguido or Gre)enstette % col' (1.,-)( Gold#erg % Lingle
(1.,-)( Oli!er % col' (1.,2) % otros muc0os' Tam#ien 0an sido alicados otros Algoritmos E!olu$
ti!os( !eanse or e9emlo( <ogel (1.,,)( >an&0a) (1..E) % Am#ati % col' (1..1)' Se ueden
encontrar e9emlos de ro#lemas ara el TS/( en algunos casos con su solucion( en una li#rer7a
disoni#le !ia )t( tecleando lo "ue sigue=
)t s)i'santa)e'edu
Name (s)i'santa)e'edu= )oo#ar)= anon%mous
/ass+ord= X e$mail address R
)tR cd u#?EC?etc?data?TS/
)tR t%e #inar%
)tR get tsli#$1'5'tar'g&
La li#rer7a )ue comilada or Reinelt' /ara mas in)ormacion so#re la misma( !ease
Reinelt
(1..1)'
Se e3ondran distintas reresentaciones( as7 como di)erentes oeradores de cruce % mutacion(
"ue 0an sido utili&ados ara resol!er el TS/ or medio de Algoritmos Geneticos'
-'5 Reresentacion #asada en la tra%ectoria
La reresentacion #asada en la tra%ectoria es la reresentacion mas natural de una gira' En ella(
una gira se reresenta como una lista de n ciudades' Si la ciudad i es el 9$esimo elemento de la
lista(
la ciudad i es la 9$esima ciudad a !isitar' As7 or e9emlo( la gira 6 5 G 1 2 - , D
se
reresentar como
(6 5 G 1 2 - , D)'
*e#ido a "ue los oeradores clasicos no )uncionan con esta reresentacion( se 0an de)inido otros
oeradores de cruce % mutacion( algunos de los cuales se descri#en a continuacion' Resultados
e3erimentales con dic0os oeradores de cruce % mutacion ueden consultarse en Larran8aga et al'
(1...)'
-'5'1 Oeradores de cruce
-'5'5 Oerador de cruce #asado en una corresondencia arcial (/MS)
El /MS lo introdu9eron Gold#erg % Lingle (1.,-)' En el( una arte de la ristra reresentando
a uno de los adres( se 0ace corresonder con una arte( de igual taman8o( de la ristra del otro
adre( intercam#iandose la in)ormacion restante'
iB1
/or e9emlo( si consideramos los dos adres siguientes=
(1 5 6 G - D 2 ,)
%
(6 2 - 1 D , 5
G)(
el oerador /MS crea las giras descendientes de la siguiente manera' En rimer lugar( selecciona
con ro#a#ilidad uni)orme dos untos de corte a lo largo de las ristras "ue reresentan las giras
adres' Suongamos "ue el rimer unto de corte se selecciona entre el tercer % el cuarto elemento
de la gira( % el segundo entre el se3to % el setimo elemento=
(1 5 6 | G - D | 2 ,) %
(6 2 - | 1 D , | 5
G)'
Se considera "ue e3iste una corresondencia #iun7!oca entre los elementos "ue )orman arte de
las su#ristras comrendidas entre los untos de corte' En nuestro e9emlo la corresondencia
esta#lecida
es la siguiente= G 1( - D % D ,' A continuacion la su#ristra del rimer adre se coia en
el segundo 0i9o' *e )orma analoga( la su#ristra del segundo adre se coia en el rimer 0i9o(
o#teni
endose=
descendiente 1= (3 3 3 | 1 D , | 3 3) %
descendiente 5= (3 3 3 | G - D | 3 3)'
En el siguiente aso el descendiente i$esimo (iB1(5) se rellena coiando los elementos del i$
esimo adre' En el caso de "ue una ciudad este %a resente en el descendiente( se reemla&a
teniendo en
cuenta la corresondencia anterior' /or e9emlo el rimer elemento del descendiente 1 ser un 1
al igual "ue el rimer elemento del rimer adre' Sin em#argo( al e3istir un 1 en el descendiente
1 % teniendo en cuenta la corresondencia 1 G( se escoge la ciudad G como rimer elemento
del descendiente 1' El segundo( tercer % setimo elementos del descendiente 1 ueden escogerse
del rimer adre' Sin em#argo( el ultimo elemento del descendiente 1 de#er7a ser un ,( ciudad
%a resente' Teniendo en cuenta las corresondencias , D( % D -( se escoge en su lugar un -'
*e
a07 "ue
En )orma analoga( se o#tiene=
descendiente 1= (G 5 6 | 1 D , | 2 -)'
descendiente 5= (6 2 , | G - D | 5 1)'
-'5'6 Oerador de cruce #asado en ciclos (CS)
El oerador CS (Oli!er % col'( 1.,2) crea un descendiente a artir de los adres( de tal manera
"ue cada osicion se ocua or el corresondiente elemento de uno de los adres' /or e9emlo(
considerando los adres
(1 5 6 G - D 2 ,)
%
(5 G D , 2 - 6
1)(
escogemos el rimer elemento del descendiente #ien del rimer elemento del rimer adre o del
rimer elemento del segundo adre' /or tanto( el rimer elemento del descendiente de#e ser un 1 o
un 5' Suongamos "ue escogemos el 1' /or el momento( el descendiente tendr
(1 )'
la siguiente )orma=
A continuacion de#emos de considerar el ultimo elemento del descendiente' Na "ue dic0o
elemento de#e ser escogido de uno de los adres( tan solo uede tratarse de un , o un 1' Al
0a#er sido
seleccionado el 1 con anteriordad( se escoge el ,( con lo cual el descendiente estar
(1 ,)'
constituido or
*e )orma analoga encontramos "ue el segundo % cuarto elemento del descendiente de#en de ser
seleccionados del rimer adre( lo cual resulta
(1 5 G
,)'
Cna !e& concluido ese ciclo( consideramos a continuacion el tercer elemento del descendiente' *ic0o
elemento uede ser escogido de cual"uiera de los adres' Suongamos "ue lo seleccionamos del
segundo adre' Esto imlica "ue los elementos "uinto( se3to % setimo del descendiente
de#en de escogerse del segundo adre( %a "ue constitu%en un ciclo' *e a07 "ue se o#tenga el
siguiente descendiente
(1 5 D G 2 - 6
,)'
-'5'G Oerador de cruce #asado en el orden (OS1)
El oerador OS1 rouesto or *a!is (1.,-)( constru%e descendientes escogiendo una su#gira de
un adre % reser!ando el orden relati!o de las ciudades del otro adre'
/or e9emlo( considerando las dos giras adres anteriores=
(1 5 6 G - D 2 ,)
% (5 G D , 2 - 6
1)(
% suoniendo "ue se escoge un rimer unto de corte entre el segundo % el tercer elemento % un
segundo unto entre el "uinto % el se3to elemento( se tiene
(1 5 | 6 G - | D 2 ,) %
(5 G | D , 2 | - 6 1)'
Los descendientes se crean de la siguiente manera' En rimer lugar( las su#giras comrendidas entre
los untos de corte se coian en los descendientes( o#teniendose
( | 6 G - | )
%
( | D , 2 |
)'
A continuacion( comen&ando or el segundo unto de corte de uno de los adres( el resto de las
ciudades se coian en el orden en el "ue aarecen en el otro adre( omitiendose las ciudades %a
resentes' Cuando se llega al )inal de la ristra de la gira adre( se continua en su rimera
osicion' En nuestro e9emlo( esto da origen a los siguientes 0i9os=
(, 2 | 6 G - | 1 5 D) %
(G - | D , 2 | 1 5
6)'
-'5'- Oerador de cruce #asado en el orden (OS5)
S%s+erda (1..1) sugiere( en cone3ion con ro#lemas de secuenciacion de tareas( el oerador OS5( el
cual uede considerarse como una modi)icacion del OS1' El oerador OS5 selecciona al a&ar !arias
osiciones en el string de uno de los adres( ara a continuacion imoner en el otro adre( el orden
de los elementos en las osiciones seleccionadas'
/or e9emlo consideremos los adres
(1 5 6 G - D 2 ,)
%
(5 G D , 2 - 6
1)(
% suongamos "ue en el segundo adre se seleccionan las osiciones segunda( tercera % se3ta' Los
elementos en dic0as osiciones son G( D % - resecti!amente' En el rimer adre dic0os elementos se
encuentran en las osiciones cuarta( "uinta % se3ta' El descendiente coincidir
si e3cetuamos las osiciones cuarta( "uinta % se3ta=
(1 5 6 2 ,)'
con el rimer adre
A continuacion rellenamos los 0uecos del descendiente teniendo en cuenta el orden con el "ue aare$
cen en el segundo adre' Como resultado o#tenemos
(1 5 6 G D - 2
,)'
Cam#iando el ael entre el rimer % segundo adre( % utili&ando las mismas osiciones selec$
cionadas( o#tendremos el segundo descendiente=
(5 G 6 , 2 - D
1)'
-'5'D Oerador de cruce #asado en la osicion (/OS)
S%s+erda (1..1) roone tam#ien en cone3ion con ro#lemas de secuenciacion( una segunda
modi$ )icacion del oerador OS1= el oerador /OS' El oerador /OS tam#ien comien&a
seleccionando al a&ar un con9unto de osiciones en las giras adres' Sin em#argo este oerador
imone( la osicion de los elementos seleccionados( en los corresondientes elementos del otro
adre'
/or e9emlo( si consideramos los adres
(1 5 6 G - D 2 ,)
%
(5 G D , 2 - 6
1)(
% suonemos "ue se seleccionan las osiciones segunda( tercera % se3ta( esto nos roorcionar7a los
siguientes descendientes=
(1 G D 5 6 - 2 ,)
%
(G 5 6 , 2 D -
1)'
-'5'2 Oerador de cruce #asado en la com#inacion de arcos (ER)
Este oerador desarrollado or A0itle% % col' (1..1)( A0itle% % StarT+eat0er (1..E)( utili&a una
:cone3ion de arcos;( la cual roorciona ara cada ciudad los arcos de los adres "ue comien&an o
)inali&an en ella' /or e9emlo( si consideramos las giras=
(1 5 6 G - D) %
(5 G 6 1 - D)(
la :cone3ion de arcos; corresondiente uede consultarse en la Ta#la D'6' El oerador ER )unciona
ciudad ciudades conectadas
1
5
6
G
-
D
5( D( 6( -
1( 6( G( D
5( G( 1
6( -( 5
G( D( 1
1( -( 5
Ta#la D'6= Cone3ion de arcos( ara las giras (1 5 6 G - D) % (5 G 6 1 - D)'
de acorde con el siguiente algoritmo=
1' Escoger la ciudad inicial de una de las dos giras adres' Esta seleccion uede reali&arse al
a&ar o de acorde con el criterio e3uesto en el aso G' La ciudad seleccionada se denominara
:ciudad de re)erencia;'
5' ^uitar todas las ocurrencias de la :ciudad de re)erencia; de la arte derec0a de la ta#la de
:cone3ion de arcos; corresondiente'
6' Si la :ciudad de re)erencia; tiene entradas en la lista de arcos se ir
al aso -'
al aso G( en caso contrario
G' *eterminar la ciudad "ue erteneciendo a la lista de ciudades conectadas con la :ciudad de
re)erencia; tenga el menor numero de entradas en su lista de arcos' *ic0a ciudad se
con!ierte en la nue!a :ciudad de re)erencia;' Los emates se dilucidan al a&ar' Ir al aso 5'
-' Si no "uedan ciudades or !isitar( arar el algoritmo' En otro caso( escoger al a&ar una ciudad
no !isitada e ir al aso 5'
/ara el e9emlo anterior( o#tenemos=
La rimera gira descendiente se iniciali&a con una de las dos ciudades iniciales de sus giras
adres' Las ciudades iniciales 1 % 5 am#as tienen G arcosM escogemos al a&ar la ciudad 5'
La lista de ciudades ara la ciudad 5 indica "ue los candidatos ara con!ertirse en la siguiente
:ciudad de re)erencia; son las ciudades 1( 6( G % D' Las ciudades 6( G % D tienen todas 5 arcos=
los tres iniciales menos la cone3ion con la ciudad 5' La ciudad 1 tiene tres arcos % or tanto
no se tiene en cuenta' Suongamos "ue se escoge al a&ar la ciudad 6'
La ciudad 6 est
conectada con la ciudad 1 % con la ciudad G' Se escoge la ciudad G %a "ue es
la "ue menos arcos tiene'
La ciudad G tan solo tiene un arco( a la ciudad -( la cual se escoge a continuacion como nue!a
:ciudad de re)erencia;'
La ciudad - tiene arcos a las ciudades 1 % D( las cuales tienen am#as tan solo 1 arco' Escogemos
al a&ar la ciudad 1'
La ciudad 1 de#e ir a la ciudad D'
La gira resultante es
(5 6 G - 1 D)(
la cual 0a sido creada totalmente utili&ando arcos tomados de las dos giras adres'
-'5', Oerador de cruce #asado en la com#inacion del !oto (JR)
El oerador JR rouesto or Muc0len#ein (1.,.) uede !erse como un oerador de cruce $
se3ual( donde es un numero natural ma%or o igual "ue 5' Comien&a de)iniendo un um#ral(
"ue es un
numero natural menor o igual "ue ' A continuacion ara cada i {1( 5( ' ' ' ( n} se considera el
con9unto de los i$esimos elementos' Si en dic0o con9unto un elemento ocurre con una
)recuencia
suerior o igual al um#ral anteriormente determinado( dic0o elemento se coia en el descendiente'
/or e9emlo( si se consideran los adres (BG)
(1 G 6 - 5 D )( (1 5 G 6 - D
)(
(6 5 1 - G D )( (1 5 6 G - D
)
% de)inimos el um#ral en 6( encontramos
(1 5 D)'
El resto de las osiciones se comletan con mutaciones' /or tanto( en nuestro e9emlo se odr
7a o#tener como resultado=
(1 5 G - 6 D)'
-'5'. Oerador de cruce #asado en la alternancia de las osiciones (A/)
El oerador A/ ( Larran8aga % col'( 1...)( crea un descendiente seleccionando ciudades
alterna$ ti!amente del rimer % segundo adre en el orden ocuado or los mismos( omiti
endose a"uellas ciudades "ue %a se encuentran resenten en la gira descendiente'
/or e9emlo( si el rimer adre es
% el segundo adre es
(1 5 6 G - D 2 ,)
(6 2 - 1 D , 5 G)(
el oerador A/ roorciona el siguiente descendiente
(1 6 5 2 - G D
,)'
Cam#iando el orden de los adres se o#tiene
(6 1 2 5 - G D
,)'
-'6 Oeradores de mutacion
-'6'1 Oerador de mutacion #asado en el desla&amiento (*M)
El oerador *M (Mic0ale+i&c( 1..2) comien&a seleccionando una su#ristra al a&ar' *ic0a su#ristra
se e3trae de la gira( % se inserta en un lugar aleatorio'
/or e9emlo( si consideramos la gira reresentada or
(1 5 6 G - D 2
,)(
% suonemos "ue se selecciona la su#ristra (6 G -)( desues de "uitar dic0a su#ristra tenemos
(1 5 D 2 ,)'
Suongamos "ue aleatoriamente seleccionamos la ciudad 2 ara insertar a artir de ella la su#gira
e3traida' Esto roducir7a la gira=
(1 5 D 2 6 G -
,)'
-'6'5 Oerador de mutacion #asado en cam#ios (EM)
El oerador EM (>an&0a)( 1..E) selecciona al a&ar dos ciudades en la gira % las cam#ia'
/or e9emlo( si consideremos la gira reresentada or
(1 5 6 G - D 2
,)(
% suonemos "ue seleccionamos al a&ar la tercera % la "uinta ciudad' El resultado del oerador EM
so#re la gira anterior ser7a
(1 5 - G 6 D 2
,)'
-'6'6 Oerador de mutacion #asado en la insercion (ISM)
El oerador ISM (<ogel( 1..6M Mic0ale+i&c( 1..5) escoge aleatoriamente una ciudad en la gira( ara
a continuacion e3traer dic0a ciudad de la gira( e insertarla en un lugar seleccionado al a&ar'
/or e9emlo( si consideramos de nue!o la gira
(1 5 6 G - D 2
,)(
% suoniendo "ue se seleccione la ciudad G( ara colocarla a continuacion de la ciudad 2( el resultado
ser7a
(1 5 6 - D 2 G
,)'
-'6'G Oerador de mutacion #asado en la in!ersion simle (SIM)
El oerador SIM (1olland( 1.2-M Gre)enstette % col'( 1.,-) selecciona aleatoriamente dos untos de
corte en la ristra( ara a continuacion re!ertir la su#ristra comrendida entre am#os'
/or e9emlo( si consideramos la gira
(1 5 6 G - D 2
,)(
% suonemos "ue el rimer unto de corte se escoge entre la segunda % tercera ciudad( % el segundo
unto de corte se escoge entre la "uinta % la se3ta ciudad( la gira resultante ser7a
(1 5 - G 6 D 2
,)'
-'6'- Oerador de mutacion #asado en la in!ersion (IJM)
El oerador IJM (<ogel( 1.,,( 1..6) es similar al oerador *M' Se selecciona al a&ar una su#gira(
ara a continuacion % una !e& e3tra7da la misma( insertarla en orden contrario en una osicion
seleccionada aleatoriamente'
/or e9emlo( si consideramos la gira
(1 5 6 G - D 2
,)(
% se suone "ue se escoge la su#gira (6 G -)( ara insertarla a continuacion de la ciudad 2( o#$
tendr7amos
(1 5 D 2 - G 6
,)'
-'6'D Oerador de mutacion #asado en el cam#io (SM)
Este oerador de mutacion( introducido or S%s+erda (1..1)( selecciona una su#gira al a&ar % a
continuacion cam#ia el orden de las ciudades de la misma'
/or e9emlo( considerando la gira
(1 5 6 G - D 2
,)(
% suoniendo "ue se escoge la su#gira (G - D 2) odr7amos o#tener como resultado
(1 5 6 - D 2 G
,)'
-'G Reresentacion #inaria
En una reresentacion #inaria de un TS/ con n ciudades( cada ciudad se codi)ica como una su#ristra
de dlog
5
ne #its( donde dlog
5
ne denota la suma entre la arte entera del logaritmo en #ase 5 de n %
la unidad' Cna gira de n ciudades( se reresentar or medio de una ristra de ndlog
5
ne #its'
/or e9emlo( en un TS/ de D ciudades( las ciudades se reresentan or medio de su#ristras de 6 #its
(!ease Ta#la 6'5)' Siguiendo la reresentacion #inaria de)inida en la ta#la( la gira 1 5 6 G -
D
i ciudad i i ciudad i
1
5
6
EEE
EE1
E1E
G
-
D
E11
1EE
1E1
Ta#la D'G= Reresentacion #inaria ara un TS/ con D ciudades
se reresenta or medio de (EEE EE1 E1E E11 1EE 1E1)'
Notese "ue e3isten su#ristras de 6 #its "ue no corresonden a ninguna ciudad( or e9emlo 11E %
111'
-'G'1 El cruce clasico
/ara mostrar la ro#lematica "ue surge al alicar el oerador de cruce #asado en un unto( se
consideran las dos giras siguientes=
(EEE EE1 E1E E11 1EE 1E1) %
(1E1 1EE E11 E1E EE1 EEE)'
Suoniendo "ue el unto de cruce escogido al a&ar se encuentre entre el no!eno % el decimo
#it( tendr7amos=
(EEE EE1 E1E | E11 1EE 1E1) %
(1E1 1EE E11 | E1E EE1 EEE)'
La com#inacion de las distintas artes da como resultado
(EEE EE1 E1E E1E EE1 EEE) %
(1E1 1EE E11 E11 1EE 1E1)'
Ninguna de las ristras anteriores reresentan giras legales'
-'G'5 La mutacion cl
asica
Al alicar el oerador de mutacion( cada #it tiene una ro#a#ilidad de ser alterado cercana a cero'
/or e9emlo( si consideramos de nue!o la ristra
(EEE EE1 E1E E11 1EE 1E1)(
% suonemos "ue se mutan el rimer % segundo #it( o#tenemos como resultado la ristra=
(11E EE1 E1E E11 1EE 1E1)(
la cual no reresenta una gira'
-'- Otro tio de reresentacion #inaria
A0itle% % col' (1.,.( 1..1)( sugieren una reresentacion #inaria di)erente de la anterior( en la cual
en rimer lugar se de)ine una lista ordenada "ue contiene todos los osi#les arcos no dirigidos' Con
la a%uda de esta lista( una gira uede escri#irse como un !ector #inario( con una longitud igual al
numero de arcos en la lista anterior' El i$esimo elemento del !ector #inario
!aldra
i$esimo arco de la lista ordenada es arte de la gira' En caso contrario su !alor
ser
1( si % solo si( el
E'
/or e9emlo( ara el TS/ de D ciudades( la lista ordenada odr7a de)inirse a artir de la
siguiente lista de arcos no dirigidos=
(1( 5)( (1( 6)( (1( G)( (1( -)( (1( D)( (5( 6)( (5( G)( (5( -)( (5( D)(
(6( G)( (6( -)( (6( D)( (G( -)( (G( D)( (-( D)'
Entonces la gira 1 5 6 G - D( se reresenta or el !ector #inario
1EEE11EEE1EE1E1'
-'D Reresentacion matricial
En esta seccion se introducen dos aro3imaciones al ro#lema usando reresentaciones matriciales
#inarias'
<o3 % McMa0on (1.,2) reresentan una gira como una matri& en la cual el elemento (i( 9) de la
misma !ale 1( si % solo si( en la gira la ciudad i se !isita con anterioridad a la 9' En caso contrario
dic0o elemento !aldr E'
Cna manera de de)inir el cruce es or medio de un oerador "ue constru%e un descendiente( O( a
artir de dos adres( /
1
% /
5
( de la manera siguiente' En rimer lugar( i( 9 {1( 5( ' ' ' ( n}( siendo
n el numero de ciudades( se de)ine
o
i9
=B

1 si
1(i9
B
5(i9
B 1(
E en otro caso'
A continuacion( algunos 1$s "ue tan solo aarecen en uno de los adres se an8aden al
descendiente( ara )inalmente comletarse la matri& de manera "ue el resultado sea una gira legal'
/or e9emlo( las giras adres 5 6 1 G % 5 G 1 6 "ue se reresentan or medio de las
matrices=
E E E 1

E E 1 E

(

desues de la rimera )ase dan como resultado=


'

Esta matri& uede comletarse de D maneras di)erentes( %a "ue la unica restriccion en la

gira descendiente es "ue comien&a en la ciudad 5' Cna osi#le gira descendiente es= 5 1 G
6(
la cual se reresenta or medio de=



'

<o3 % McMa0on no de)inen ningun oerador de

mutacion'
Seni+ (1..1) de)ine otra reresentacion en la cual el elemento (i( 9) de la matri& !ale 1( si % solo si( en
la gira la ciudad 9 se !isita inmediatamente desues de la ciudad i' Esto imlica "ue una gira
legal se reresenta or medio de una matri& en la cual en cada )ila % cada columna e3iste
e3actamente
un 1' Sin em#argo( tal % como se !er en el e9emlo siguiente( una matri& "ue contiene e3actamente
un 1 en cada )ila % en cada columna no reresenta necesariamente un gira legal'
As7 or e9emlo( si consideramos las matrices




la rimera de ellas reresenta la gira 5 6 1 G( mientras "ue la segunda est
con9unto de su#giras {1 5}( {6 G} '
reresentando el
Ademas( los oeradores de cruce % mutacion de)inidos or Seni+ (1..1) no garanti&an "ue el de$
scendiente sea una gira legal( de a07 "ue necesiten oeradores de rearacion "ue trans)ormen
dic0os descendientes en giras legales'
-'2 Reresentacion #asada en una lista de ad%acencia
En la reresentacion #asada en una lista de ad%acencia( una gira se reresenta como una lista de n
ciudades' La ciudad 9 est en la osicion i$esima( si % solo si( la gira !a de la ciudad i a la 9'
As7 or e9emlo( la lista de ad%acencia
(6 - 2 D G , 5
1)
reresenta la gira 1 6 2 5 - G D ,'
Notese "ue toda gira tiene una unica reresentacion or medio de una lista de ad%acencia'
Sin em#argo( una lista de ad%acencia uede no reresentar una gira'
As7 or e9emlo(
(6 - 2 D 5 G 1
,)
reresenta el siguiente con9unto de su#giras=
1 6 2( 5 -( G D % ,'

1 E 1 1

%

1 E 1 1

1 E E 1

E E E E

E E E E 1 E 1 E
E E E E
1 E 1 1
E E E E
E E E E
E E 1 1
1 E 1 1
E E E E
E E 1 E
E E E 1

E 1 E E
E E 1 E

1 E E E

E 1 E E
%

1 E E E

E

E E 1
E E 1 E

/uede comro#arse "ue con esta reresentacion el oerador de cruce #asado en un unto uede dar
origen a giras ilegales' /ara sol!entar esta ro#lematica se 0an de)inido otros oeradores de cruce
$Gre)enstette % col' (1.,-)$'
-', Reresentacion ordinal
En la reresentacion ordinal $Gre)enstette % col' (1.,-)$ una gira se reresenta como una lista( T (
de longitud n( denotando n el numero de ciudades' El i$esimo elemento de la lista T ( es un nu
mero
entero comrendido entre 1 % n i V 1' E3iste tam#ien una lista ordenada de ciudades( L
E
( "ue
sir!e como unto de re)erencia inicial( % "ue osteriormente se actuali&a'
As7 or e9emlo( sea la lista ordenada de ciudades=
L
E
B (1 5 6 G - D 2
,)'
Sea la gira 1 - 6 5 , G 2 D' Su reresentacion ordinal consiste en la ristra=
T B (1 G 5 1 G 1 5
1)
la cual se interreta de la siguiente manera=
El rimer numero de T es el 1' Esto signi)ica "ue ara conseguir la rimera ciudad de la gira(
se de#e de coger el rimer elemento de la lista L
E
% a continuacion "uitarlo de dic0a lista' La
gira arcial es= 1( % la lista ordenada de ciudades actuali&ada sera=
L
1
B (5 6 G - D 2
,)'
El segundo elemento de T es el G' /ara conseguir la segunda ciudad de la gira( de#emos de
escoger el cuarto elemento de la lista L
1
( "ue es un -' A continuacion "uitamos el - de la lista
L
1
' La gira arcial es= 1 -( % la lista ordenada de ciudades actuali&ada sera=
L
5
B (5 6 G D 2
,)'
Si continuamos de manera analoga 0asta "ue "uitemos todos los elementos de la lista ordenada de
ciudades( o#tenemos la gira 1 - 6 5 , G 2 D'
La !enta9a de la reresentacion ordinal es "ue el oerador de cruce #asado en un unto )unciona'
D Notas #i#liogr
a)icas
El rimer li#ro escrito so#re algoritmos geneticos se de#e a 1olland (1.2-)' El li#ro recoge el
tra$ #a9o lle!ado a ca#o or in!estigadores de la Cni!ersidad de Mic0igan en relacion con los
algoritmos geneticos' Sin em#argo 0asta la u#licacion del li#ro escrito or Gold#erg (1.,.) no
se llegan a oulari&ar los algoritmos geneticos como una 0erramienta ara la #us"ueda % la
otimi&acion' Con osterioridad a este tra#a9o un gran numero de u#licaciones (li#ros( re!istas(
in)ormes internos de in!estigacion( etc') asi como de congresos % con)erencias (International
Con)erence on Genetic Al$ gorit0ms( /arallel /ro#lem Sol!ing )rom Nature( Congress on
E!olutionar% Comutation( Genetic and E!olutionar% Comutation Con)erence( etc') se 0an ido
desarrollando( con!irtiendo a la com$ utacion e!oluti!a en general( % a los algoritmos geneticos
en articular( en una de las areas mas acti!as de la Inteligencia Arti)icial'
2 Recursos en internet
0tt=??+++'aic'nrl'na!%'mil?galist
Se trata de un reositorio de in)ormacion acerca de la in!estigacion relacionada con los algo$
ritmos geneticos % otras tecnicas de comutacion e!oluti!a' En el mismo se ueden
encon$ trar los mensa9es semanales en!iados or la lista de distri#ucion GA$list digest( al
igual "ue gran numero de imlementaciones de algoritmos geneticos( % anuncios acerca de
con)erencias cient7)icas relacionadas con la comutacion e!oluti!a' Resultan tam#ien de inter
es los linTs a distintos gruos de in!estigacion tra#a9ando en este tema'
0tt=??+++'cs'gmu'edu?researc0?gag
Gruo de in!estigacion de la Cni!ersidad George Masson (Jirginia) in!estigando so#re algo$
ritmos geneticos' El gruo
est
dirigido or el /ro)' *e Fong'
0tt=??ls11$+++'in)ormatiT'uni$dortmund'de?Aelcome$e'0tml
Gruo de in!estigacion de la Cni!ersidad de *ortmund (Alemania) tra#a9ando so#re com$
utacion e!oluti!a( rincialmente so#re estrategias e!oluti!as (/ro)' Sc0+e)el) % rogra$
macion genetica (/ro)' >an&0a) )'
0tt=??+++$illigal'ge'uiuc'edu?inde3'0tml
/agina +e# del gruo Illinois Genetic Algorit0ms La#orator% dirigido or el /ro)' Gold#erg'
0tt=??+++'cs'colostate'edu? genitor
/agina +e# del T0e Genitor Grou gruo de in!estigacion de la Cni!ersidad de Colorado(
dirigido or el /ro)' A0itle%'
E9ercicios
*isen8ar Algoritmos Geneticos ()uncion de coste( reresentacion de indi!iduos( oeradores
de cruce % mutacion) ara los siguientes ro#lemas=
1' El ro#lema del agente !ia9ero
*ada una coleccion )inita de ciudades( determinar la gira de m7nimo coste( !isitando
cada ciudad e3actamente una !e& % !ol!iendo al unto de artida'
Sea n 6( % C B (c
i9
) una matri& M (n( n) de numeros reales ositi!os( encontrar la
er$ mutacion c7clica b de los enteros de 1 a n "ue minimice
/
n1
c
b(i)b(iV1)
V c
b(n)b(1)
5' El ro#lema de la moc0ila E 1
*ado un con9unto )inito de items( cada uno de los cuales tiene asocido un eso % una ganancia(
seleccionar el su#con9unto de items a incluir en una moc0ila 4caa& de soortar un eso
ma3imo )inito4 cu%a inclusion roorcione una ganancia ma3ima'
Sean n items % una moc0ila caa& de soortar un eso ma3imo C ' *enotamos or #
9
el
#ene)icio o#tenido al introducir el item 9 en la moc0ila( mientras "ue +
9
denota el eso asociado
iB1
a dic0o item 9' Se trata de seleccionar un su#con9uto de items "ue ma3imicen U B
/
n #
9
3
9
(
su9
eto
a
rest
ricc
ion
/
+
9
3
9

C (
sien
do

1

s
i

e
l

i
t
e
m

9

s
e
l
e
c
c
i
o
n
a
d
o
3
9

B
E
si
el
it
e
m
9
n
o
se
le
c
ci
o
n
a
d
o
6'
El
ro
#le
ma
de
las
n
rein
as
E
n

u
n

9B1
9B1
0iotetico ta#lero de a9edre& n n( osicionar n reinas( de tal manera "ue ninguna
ata"ue al
resto'
G' /ro#lema de agruamiento I
Agruar N numeros en T gruos dis9untos minimi&ando la suma de las di)erencias
entre los gruos'
-' /ro#lema de agruamiento II
*isoner los N
5
rimeros numeros naturales en una matri& cuadrada M (N( N ) de tal
manera "ue las sumas tanto or )ilas como or columnas coincidan'
D' /ro#lema de emla&amiento de #lo"ues rectangulares
*ado un con9unto de n #lo"ues rectangulares de distintas anc0uras % alturas( se
trata de encontrar un emla&amiento 4asignacion de los centros de los #lo"ues
rectangulares a untos de un esacio cartesiano #idimensional4 de tal )orma "ue no
0a%a solaamientos entre los #lo"ues rectangulares( % se minimice la )uncion de coste
) B A V PC ( donde A es el area del rectangulo "ue englo#a todos los #lo"ues
rectangulares( P es una constante ositi!a % C un
termino de conecti!idad C B
/
n1
/
n
+
i9
d
i9
( siendo d
i9
la distancia entre los centros
de
iB1 9BiV1
los #lo"ues rectangulares % +
i9
el coste relacionado al unir el #lo"ue rectangular i$
esimo con
el #lo"ue rectangular 9$
esimo'
2' /articionamientos de un gra)o' /ro#lema ;ma3$cut;' /ro#lema ;min$cut;'
*ado un gra)o G B (J( E) sin ciclos( donde cada arista lle!a asociada un eso entero
ositi!o( se trata de encontrar una articion de J en dos con9untos dis9untos J
E
% J
1
de
tal manera "ue la suma de los esos de las aristas "ue tienen un e3tremo en J
E
% el
otro e3tremo en J
1
( sea ma3imo (ro#lema ;ma3$cut;) o m7nimo (ro#lema ;min$
cut;)'
,' /ro#lema del con9unto de !ertices indeendientes'
*ado un gra)o G B (J( E)( se trata de encontrar el denominado con9unto ma3imal de !
ertices indeendientes( es decir el con9unto J I M J de ma%or cardinalidad ara el
cual ninguna de sus aristas se encuentre en E (u( ! J I M B {u( !} 6 E)'
Lista de tra#a 9os otati!os
1' Ela#oracion de un in)orme recogiendo los tra#a9os mas actuales en los "ue los
algoritmos geneticos 0an sido alicados al ro#lema de la ruta de !e07culos' Se
trata de gestionar de manera e)iciente un )lota de !e07culos "ue de#e de satis)acer las
eticiones diarias de una serie de clientes'
5' Ela#oracion de un in)orme recogiendo los tra#a9os mas actuales en los "ue los
algoritmos geneticos 0an sido alicados al ro#lema de la #us"ueda del )iltro otimo
en imagenes digitales'
6' Ela#oracion de un in)orme recogiendo las caracter7sticas del so)t+are de li#re
distri#ucion disoni#le en internet en relacion con los algoritmos geneticos'
Re)erencias
1' *'1' AcTle% (1.,2)' A Connectionist Mac0ine )or Genetic 1illclim#ing( Wlu+er
Academic
/u#l
is0e
rs'
5' F'T' Alander (1..5)' On otimal oulation si&e o) genetic algorit0ms' /roceedings Com$
Euro 1..5( Comuter S%stems and So)t+are Engineering( Dt0 Annual Euroean Comuter
Con)erence( D-$2E'
6' >'W' Am#ati( F' Am#ati( M'M' MoT0tar (1..1)' 1euristic com#inatorial otimi&ation #% sim$
ulated *ar+inian e!olution= A ol%nomial time algorit0m )or t0e tra!eling salesman ro#lem(
>iological C%#ernetics( D-( 61$6-'
G' F'E' >aTer (1.,2)' Reducing #ias and ine))icienc% in t0e selection algorit0m' /roceedings o)
t0e Second International Con)erence on Genetic Algorit0ms and T0eir Alications( 1G$51'
-' A' >an&0a) (1..E)' T0e :molecular; tra!eling salesman( >iological C%#ernetics( DG( 2$1G'
D' R'M' >rad% (1.,-)' Otimi&ation strategies gleaned )rom #iological e!olution( Nature( 612(
,EG$,ED'
2' M'<' >ramlette (1..1)' Initiali&ation( mutation and selection met0ods in genetic algorit0ms
)or )unction otimi&ation' /roceedings o) t0e <ourt0 International Con)erence on Genetic
Algorit0ms( 1EE$1E2'
,' A' >rindle (1..1)' Genetic algorit0ms )or )unction otimi&ation' Tesis doctoral( Cni!ersidad
de Al#erta( Canada'
.' C'W' C0aTra#ort%( *'G' *astidar (1..6)' Csing relia#ilit% anal%sis to estimate t0e num#er o)
generations to con!ergence in genetic algorit0ms' In)ormation /rocessing Letters( GD( 1..$5E.'
1E' C' *ar+in (1,-.)' On t0e Origin o) Secies #% Means o) Natural Selection( Murra%( London'
11' L' *a!is (1.,-)' Al%ing adati!e algorit0ms to eistatic domains( en /roceedings o) t0e
International Foint Con)erence on Arti)icial Intelligence( 1D5$1DG'
15' L' *a!is (ed') (1..1)' 1and#ooT o) Genetic Algorit0ms( Jan Nostrand Rein0old( Ne+ NorT'
16' T'E' *a!is( F'C' /rincie (1..6)' A MarTo! c0ain )rame+orT )or t0e simle genetic algorit0m'
E!olutionar% Comutation( 1(6)( 5D.$5,,'
1G' W'A' *e Fong (1.2-)' An anal%sis o) t0e #e0a!iour o) a class o) genetic adati!e s%stems'
Tesis doctoral( Cni!ersit% o) Mic0igan'
1-' A'E' Ei#en( E'1'L' Aarts( W'M' Jan 1ee (1..E)' Glo#al con!ergence o) genetic algorit0ms= An
in)inite MarTo! c0ain anal%sis' Comuting Science Notes( Eind0o!en Cni!ersit% o)
Tec0nolog%( T0e Net0erlands'
1D' T'C' <ogart% (1.,.)' Jar%ing t0e ro#a#ilit% o) mutation in t0e genetic algorit0m'
/roceedings o) t0e T0ird International Con)erence on Genetic Algorit0ms( 1EG$1E.'
12' *' >' <ogel (1.,,)' An e!olutionar% aroac0 to t0e tra!eling salesman ro#lem( >iological
C%#ernetics( DE( 16.$1GG'
1,' *' >' <ogel (1..6)' Al%ing e!olutionar% rogramming to selected tra!eling salesman ro#$
lems( C%#ernetics and S%stems( 5G( 52$6D'
1.' M' S' <o3( M' >' McMa0on (1.,2)' Genetic oerators )or se"uencing ro#lems( en Ra+lings(
G' (ed') <oundations o) Genetic Algorit0ms= <irst AorTs0o on t0e <oundations o) Genetic
Algorit0ms and Classi)ier S%stems( Morgan Wau)mann /u#lis0ers( Los Altos( CA( 5,G$6EE'
5E' *'E' Gold#erg (1.,.)' Genetic Algorit0ms in Searc0( Otimi&ation and Mac0ine Learning(
Addison$Aesle%( Reading( MA'
51' *' E' Gold#erg( Fr' R' Lingle (1.,-)' Alleles( loci and t0e tra!eling salesman ro#lem( en /ro$
ceedings o) t0e <irst International Con)erence on Genetic Algorit0ms and T0eir Alications(
1-G$1-.'
55' *'E' Gold#erg( F'T' Ric0ardson (1.,2)' Genetic algorit0ms +it0 s0aring )or multimodal
)unction otimi&ation' Genetic Algorit0ms and t0eir Alications= /roceedings o) t0e Second
International Con)erence on Genetic Algorit0ms and T0eir Alications( G1$G.'
56' M' Gorges$Sc0leuter (1.,.)' AS/ARAGOS An as%nc0ronous arallel genetic otimi&ation
strateg%' /roceedings on t0e T0ird International Con)erence on Genetic Algorit0ms( G55$G52'
5G' F' Gre)enstette( R' Goal( >' Rosmaita( *' Jan Guc0t (1.,-)' Genetic algorit0ms )or t0e
tra!eling salesman ro#lem( en /roceedings o) t0e <irst International Con)erence on Genetic
Algorit0ms and T0eir Alications( 1DE$1D-'
5-' F' 1olland (1.2-)' Adatation in Natural and Arti)icial S%stems( Cni!ersit% o) Mic0igan /ress(
Ann Ar#or'
5D' /' Larran8aga( M' /o&a (1..G)' Structure learning o) >a%esian net+orT #% genetic algorit0ms'
E' *ida% (ed')( Ne+ Aroac0es in Classi)ication and *ata Anal%sis( Sringer$Jerlag( 6EE$6E2'
52' /' Larran8aga( C' Wui9ers( R' Murga( I' In&a( S' *i&dare!ic0 (1...) E!olutionar%
algorit0ms )or t0e tra!elling salesman ro#lem= A re!ie+ o) reresentations and oerators'
Arti)icial Intelligence Re!ie+( 16( 15.412E'
5,' E'L' La+ler( F'W' Lenstra( A'1'G' Rinnoo% Wan( *'>' S0mo%s (eds') (1.,-)' T0e Tra!eling
Salesman /ro#lem= A Guided Tour o) Com#inatorial Otimi&ation( Aile%( C0ic0ester'
5.' G'E' Lieins (1..5)' On glo#al con!ergence o) genetic algorit0ms' Neural and Stoc0astic
Met0ods in Image and Signal /rocessing( D1$D-'
6E' U' Mic0ale+ic& (1..5)' Genetic Algorit0ms V *ata Structures B E!olution /rograms(
Sringer$ Jerlag( >erlin 1eidel#erg'
61' U' Mic0ale+ic&( C'U' FaniTo+ (1..1)' 1andling constraints in genetic algorit0ms' /roceedings
o) t0e <ourt0 International Con)erence on Genetic Algorit0ms( 1-1$1-2'
65' 1' Muc0len#ein (1.,.)' /arallel genetic algorit0ms( oulation genetics and
com#inatorial otimi&ation( en /roceedings on t0e T0ird International Con)erence on
Genetic Algorit0ms(
G1D$G51'
66' I'M' Oli!er( *'F' Smit0( F'R'C' 1olland (1.,2)' A stud% o) ermutation crosso!er oera$
tors on t0e TS/( en Genetic Algorit0ms and T0eir Alications= /roceedings o) t0e Second
International Con)erence( 55G$56E'
6G' C' Ree!es (1..6)' Modern 1euristic Tec0ni"ues )or Com#inatorial /ro#lems( >lacT+ell Scien$
ti)ic /u#lications'
6-' G' Reinelt (1..1)' TS/LI> $ A Tra!eling Salesman Li#rar%( ORSA Fournal on Comuting(
6(G)( 62D$6,G'
6D' G' Rudol0 (1..G)' Con!ergence anal%sis o) canonical genetic algoritms' IEEE Transactions
on Neural Net+orTs( .D$1E1'
62' F'*' Sc0a))er( R'A' Caruna( L'F' Es0elman( R' *as (1.,.)' A stud% o) control arameters a)$
)ecting online er)ormance o) genetic algorit0ms )or )unction otimi&ation' F'*' Sc0a))er (ed')(
/roceedings o) t0e T0ird International Con)erence on Genetic Algorit0ms( Morgan Wau)mann(
-1$DE'
6,' *' Seni+ (1..1)' A genetic algorit0m )or t0e tra!eling salesman ro#lem( M'Sc' T0esis(
Cni!ersit% o) Nort0 Carolina at C0arlotte'
6.' *'F' Sirag( /'T' Aeisser (1.,2)' To+ard a uni)ied t0ermod%namic genetic oerator' Genetic
Algorit0ms and t0eir alications= /roceedings o) t0e Second International Con)erence on
Genetic Algorit0ms and T0eir Alications( 11D$155'
GE' F' Stender (1..6)' /arallel Genetic Algorit0ms= T0eor% and Alications( IOS /ress'
G1' F' Su&uTi (1..6)' A construction o) >a%esian net+orTs )rom data#ases #ased on an M*L
/rincile' Cncertaint% in Arti)icial Intelligence( /roceedings o) t0e Nint0 Con)erence( 5DD$
526'
G5' G' S%s+erda (1..1)' Sc0edule otimi&ation using genetic algorit0ms' L' *a!is (ed')' 1and#ooT
o) Genetic Algorit0ms( Jan Nostrand Rein0old( Ne+ NorT( 665$6G.'
G6' R' Tanese (1.,2)' /arallel genetic algorit0m )or a 0%ercu#e' /roceedings o) t0e Second
International Con)erence on Genetic Algorit0ms( 122$1,6'
GG' *' A0itle% (1.,.)' T0e GENITOR algorit0m and selection ressure= A0% ranT$#ased allo$
cation o) reroducti!e trials is #est' /roceedings on t0e T0ird International Con)erence on
Genetic Algorit0ms( 11D$151'
G-' *' A0itle%( F' Waut0 (1.,,)' GENITOR= A di))erent genetic algorit0m' /roceedings o) t0e
RocT% Mountain Con)erence on Arti)icial Intelligence( *en!er( CO( 11,$16E'
GD' *' A0itle%( T' StarT+eat0er( *' <u"ua% (1.,.)' Sc0eduling ro#lems and tra!elling sales$
man= T0e genetic edge recom#ination oerator( en /roceedings on t0e T0ird International
Con)erence on Genetic Algorit0ms( 166$1GE'
G2' *' A0itle%( T' StarT+eat0er (1..E)' Genitor II= A distri#uted genetic algorit0m' Fournal o)
E3erimental and T0eorical Arti)icial Intelligence( 5( 1,.$51G'
G,' *' A0itle%( T' StarT+eat0er( *' S0aner (1..1)' T0e tra!eling salesman and se"uence sc0edul$
ing= ^ualit% solutions using genetic edge recom#ination( en *a!is( L' (ed') 1and#ooT o)
Genetic Algorit0ms( Jan Nostrand Rein0old( Ne+ NorT( 6-E$625'